Мне нужно сопоставить и удалить все теги, используя регулярное выражение в Perl. У меня есть следующее:
<\\??(?!p).+?>
Но это все равно совпадает с закрывающим тегом </p>. Любой намек на то, как совпадать с закрывающим тегом?
Обратите внимание, что это выполняется в xhtml.
Я придумал это:
<(?!\/?p(?=>|\s.*>))\/?.*?>
x/
< # Match open angle bracket
(?! # Negative lookahead (Not matching and not consuming)
\/? # 0 or 1 /
p # p
(?= # Positive lookahead (Matching and not consuming)
> # > - No attributes
| # or
\s # whitespace
.* # anything up to
> # close angle brackets - with attributes
) # close positive lookahead
) # close negative lookahead
# if we have got this far then we don't match
# a p tag or closing p tag
# with or without attributes
\/? # optional close tag symbol (/)
.*? # and anything up to
> # first closing tag
/
Теперь мы будем иметь дело с p-тегами с атрибутами или без них и с закрывающими т-тегами, но будет соответствовать пред и аналогичным тегам с атрибутами или без них.
Он не выделяет атрибуты, но мои исходные данные не помещают их. Я могу изменить это позже, чтобы сделать это, но этого пока достаточно.
Если вы настаиваете на использовании регулярного выражения, что-то вроде этого будет работать в большинстве случаев:
# Remove all HTML except "p" tags
$html =~ s{<(?>/?)(?:[^pP]|[pP][^\s>/])[^>]*>}{}g;
Пояснение:
s{
< # opening angled bracket
(?>/?) # ratchet past optional /
(?:
[^pP] # non-p tag
| # ...or...
[pP][^\s>/] # longer tag that begins with p (e.g., <pre>)
)
[^>]* # everything until closing angled bracket
> # closing angled bracket
}{}gx; # replace with nothing, globally
Но на самом деле, спасите себе головные боли и вместо этого используйте парсер. CPAN имеет несколько подходящих модулей. Вот пример использования модуля HTML:: TokeParser, который поставляется с чрезвычайно способным HTML:: Parser Распространение CPAN:
use strict;
use HTML::TokeParser;
my $parser = HTML::TokeParser->new('/some/file.html')
or die "Could not open /some/file.html - $!";
while(my $t = $parser->get_token)
{
# Skip start or end tags that are not "p" tags
next if(($t->[0] eq 'S' || $t->[0] eq 'E') && lc $t->[1] ne 'p');
# Print everything else normally (see HTML::TokeParser docs for explanation)
if($t->[0] eq 'T')
{
print $t->[1];
}
else
{
print $t->[-1];
}
}
HTML:: Parser принимает входные данные в виде имени файла, дескриптора открытого файла или строки. Обтекание вышеуказанного кода в библиотеке и создание настраиваемого адресата (т.е. Не только print ing, как в приведенном выше), не сложно. Результат будет намного более надежным, поддерживаемым и, возможно, быстрее (HTML:: Parser использует бэкэнд на основе C), чем пытается использовать регулярные выражения.
По-моему, попытка анализировать HTML с помощью чего-либо, кроме анализатора HTML, просто требует мира боли. HTML - очень сложный язык (который является одной из основных причин, по которой XHTML был создан, что намного проще, чем HTML).
Например, это:
<HTML /
<HEAD /
<TITLE / > /
<P / >
- это полный 100% -ный корректный HTML-документ на 100%. (Ну, в нем отсутствует декларация DOCTYPE, но кроме этого...)
Он семантически эквивалентен
<html>
<head>
<title>
>
</title>
</head>
<body>
<p>
>
</p>
</body>
</html>
Но это, тем не менее, действительный HTML, с которым вам придется иметь дело. Разумеется, вы могли бы разработать регулярное выражение для его анализа, но, как уже говорили другие, использование фактического парсера HTML просто намного проще.
Не уверен, почему вы хотите это сделать - регулярное выражение для санитарии HTML не всегда является лучшим методом (вам нужно помнить, что нужно дезинфицировать атрибуты и т.д., удалить javascript: hrefs и подобные)... но, регулярное выражение для соответствия тэгам HTML, которые не являются <p></p>:
(<[^pP].*?>|</[^pP]>)
Многословный:
(
< # < opening tag
[^pP].*? # p non-p character, then non-greedy anything
> # > closing tag
| # ....or....
</ # </
[^pP] # a non-p tag
> # >
)
Я использовал регулярное выражение Xetius, и он отлично работает. За исключением некоторых сгенерированных сгенерированных тегов, которые могут быть:
без пробелов внутри. Я попробовал ti исправить это с помощью простого? после \s, и похоже, что он работает:
<(?!\/?p(?=>|\s?.*>))\/?.*?>
Я использую его для очистки тегов из сгенерированного html-текста, поэтому я добавил еще несколько исключенных тегов:
<(?!\/?(p|a|b|i|u|br)(?=>|\s?.*>))\/?.*?>
Так как HTML не является обычным языком, я бы не ожидал, что регулярное выражение будет очень хорошо работать с ним. Они могут справиться с этой задачей (хотя я не уверен), но я бы подумал о том, чтобы искать в другом месте; Я уверен, что perl должен иметь некоторые готовые библиотеки для управления HTML.
Во всяком случае, я бы подумал, что то, что вы хотите совместить, равно </? (p. + |. *) (\ s *. *) > не жадность (я не знаю капризы синтаксиса perl regexp, поэтому я не могу помочь дальше). Я предполагаю, что \s означает пробелы. Возможно, нет. В любом случае вам нужно что-то, что будет соответствовать атрибутам, смещенным от имени тега по пробелам. Но это сложнее, чем в том случае, когда люди часто помещают неэкранированные угловые скобки внутри сценариев и комментариев и, возможно, даже цитируют значения атрибутов, с которыми вы не хотите сопоставлять.
Итак, как я уже сказал, я действительно не думаю, что регулярные выражения являются правильным инструментом для этой работы.
Так как HTML не является регулярным языком
HTML - это не теги HTML, и они могут быть адекватно описаны регулярными выражениями.
Предполагая, что это будет работать в PERL, как это происходит на языках, которые утверждают, что используют PERL-совместимый синтаксис:
/<\/?[^p][^>]*>/
EDIT:
Но это не соответствует тегу <pre> или <param>, к сожалению.
Это, возможно?
/<\/?(?!p>|p )[^>]+>/
Это должно охватывать теги <p>, которые также имеют атрибуты.
Вы также можете разрешить пробелы перед "p" в теге p. Не уверен, как часто вы столкнетесь с этим, но <p> является вполне допустимым HTML.
Исходное регулярное выражение может быть выполнено с минимальными усилиями:
<(?>/?)(?!p).+?>
Проблема заключалась в том, что /? (или \?) отказался от того, что он сопоставил, когда утверждение после его отказа. Используя группу без обратной отслеживания (? > ...) вокруг нее, она заботится о том, чтобы она никогда не выпускала совпадающую косую черту, поэтому утверждение (?! P) всегда привязывается к началу текста тега.
(Тем не менее, я согласен с тем, что, как правило, синтаксический анализ HTML с помощью регулярных выражений - это не путь).
Кетиус, воскресив этот древний вопрос, потому что у него было простое решение, о котором не упоминалось. (Нашел свой вопрос, проведя некоторое исследование для заданий по поиску регулярных выражений.)
При всех отказах в использовании regex для синтаксического анализа html, это простой способ сделать это.
#!/usr/bin/perl
$regex = '(<\/?p[^>]*>)|<[^>]*>';
$subject = 'Bad html <a> </I> <p>My paragraph</p> <i>Italics</i> <p class="blue">second</p>';
($replaced = $subject) =~ s/$regex/$1/eg;
print $replaced . "\n";
Смотрите эту живую демонстрацию
Ссылка
Попробуйте это, он должен работать:
/<\/?([^p](\s.+?)?|..+?)>/
Объяснение: оно соответствует либо одной букве, за исключением "p", за которой следуют необязательные пробелы и больше символов, или несколько букв (не менее двух).
/EDIT: я добавил способность обрабатывать атрибуты в тегах p.
Вероятно, вы также должны удалить любые атрибуты в теге <p> так как кто-то плохо может сделать что-то вроде:
<p onclick="document.location.href='http://www.evil.com'">Clickable text</p>
Самый простой способ сделать это - использовать люди регулярных выражений, предлагающие здесь искать теги & ltp > с атрибутами и заменять их тегами <p> без атрибутов. Просто чтобы быть в безопасности.