logo标签列表

使用正则表达式匹配HTML标签并提取文本

c#regex
7

我有一个这样的测试字符串：

<customtag>hey</customtag>

我想使用正则表达式来修改“customtag”标记之间的文本，使其看起来像这样：

<customtag>hey, this is changed!</customtag>

我知道可以使用MatchEvaluator来修改文本，但我不确定应该使用什么正则表达式语法。非常感谢您提供任何帮助。

2
迄今为止这个问题的最佳答案。 - Scott Chamberlain
5个回答
15

我也不会为此使用正则表达式，但如果你必须使用，这个表达式应该可以工作：

<customtag>(.+?)</customtag>
谢谢 - 这个完美地解决了问题。通常我不会使用正则表达式来解析HTML，但是这个HTML来自内部系统并且格式正确。 - Jon Tackabury
2
作为对他人的警告：它不能在正确形式的语法 |<customtag><customtag>Some text</customtag>|</customtag> 上工作 - 管道符号之间的区域是匹配的，因此第二个 <customtag> 将被删除，留下了格式不正确的 XML。 - Tom Leys
1
是的，这就是为什么你不应该尝试使用正则表达式解析XML的原因。你可以限制标签之间的内容，并只允许字母、数字和空格，这样会更好一些。但这样就限制了特定的域，所以可以这样写：<customtag>([a-zA-Z0-9 ])+</customtag>。 - Tjofras
2
或只需使用<customtag>（[^<]+）</customtag>。但是，HTML不是一种常规语言，因此在更一般的情况下，您不能使用正则表达式来匹配它。这与使用regexp匹配平衡括号的问题相同。 - Bill Karwin
7

在使用正则表达式解析和修改HTML之前，我宁愿咬掉自己的腿。

使用XSL或DOM。

有两条评论要求我澄清。 正则表达式替换在OP问题的特定情况下有效，但通常来说，正则表达式不是一个好的解决方案。 正则表达式可以匹配正则语言，即可以被有限状态机接受的输入序列。 HTML可以包含任意深度的嵌套标签，因此它不是正则语言。

这与问题有什么关系？ 在OP的问题中使用正则表达式是可行的，但是如果<customtag>标记之间的内容包含其他标记怎么办？ 如果文本中出现字面上的<字符怎么办？ Jon Tackabury提出问题已经11个月了，我猜在那段时间里，他的问题复杂性可能已经增加了。

正则表达式是很好的工具，我经常使用它们。 但是，在需要真正的解析器的输入中使用它们只适用于非常简单的情况。 这些情况几乎不可避免地会超出正则表达式的处理能力。 当发生这种情况时，您会尝试编写更复杂的正则表达式，但是这些很快就变得非常费力来开发和调试。 请准备好在解析要求扩展时放弃正则表达式解决方案。

XSL和DOM是两种标准技术，旨在与XML或XHTML标记一起使用。 这两种技术都知道如何解析结构化标记文件，跟踪嵌套标记，并允许您转换标记属性或内容。

以下是有关如何在C＃中使用XSL的几篇文章：

以下是有关如何在C＃中使用DOM的几篇文章：

这里有一个.NET库，可以帮助对HTML进行DOM和XSL操作：

嗯，我偶尔会在受控环境中使用它们，用已知一致的机器生成代码来完成快速任务... - PhiLho
4
那你为什么不展示一下如何使用C#中的XSL或DOM来实现呢？轻描淡写很容易，让我们看看真正的代码。使用正则表达式解析通用的HTML并不太合适，但对于针对特定HTML代码做特定事情是完全适用的。 - Jan Goyvaerts
我承认你让我笑了，但是让我们来解释一下，或者提供一个好的解释链接，为什么你宁愿咬掉自己的腿。我猜对于一些程序员来说这很明显，但对于新手来说可能不是吧？ - Sam Murray-Sutton
1
如果这两个标签之间没有其他标签，那么这个正则表达式会更安全、更高效：
<customtag>[^<>]*</customtag>
0
0
//This is to replace all HTML Text

var re = new RegExp("<[^>]*>", "g");

var x2 = Content.replace(re,"");

//This is to replace all &nbsp;

var x3 = x2.replace(/\u00a0/g,'');
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接