正则去除html中p标签,正则表达式匹配除<p>和</p>之外的所有HTML标记

13 个答案:

答案 0 :(得分：37)

如果你坚持使用正则表达式，大多数情况下这样的东西都会起作用：

# Remove all HTML except "p" tags

$html =~ s{/?)(?:[^pP]|[pP][^\s>/])[^>]*>}{}g;

说明：

s{

< # opening angled bracket

(?>/?) # ratchet past optional /

(?:

[^pP] # non-p tag

| # ...or...

[pP][^\s>/] # longer tag that begins with p (e.g.,

)

)

[^>]* # everything until closing angled bracket

> # closing angled bracket

}{}gx; # replace with nothing, globally

但实际上，请省去一些麻烦并使用解析器代替。 CPAN有几个适合的模块。以下是使用功能极为强大的HTML::TokeParser CPAN分发版附带的HTML::Parser模块的示例：

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接受文件名，打开文件句柄或字符串形式的输入。将上述代码包装在库中并使目的地可配置(即，不仅如上所述print)并不难。与尝试使用正则表达式相比，结果将更可靠，可维护，并且可能也更快(HTML :: Parser使用基于C的后端)。

答案 1 :(得分：16)

在我看来，尝试用HTML解析器以外的任何东西解析HTML只是在寻求一个痛苦的世界。 HTML是一种真正的复杂语言(这是创建XHTML的主要原因之一，它比HTML简单得多)。

例如，这个：

/

是一个完整的，100％格式良好，100％有效的HTML文档。 (好吧，它缺少DOCTYPE声明，但除此之外......)

它在语义上等同于

>

>

但它仍然是有效的HTML，你将不得不处理。当然，你可以设计一个正则表达式来解析它，但是，正如其他人已经建议的那样，使用实际的HTML解析器要简单得多。

答案 2 :(得分：10)

我想出了这个：

|\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

/

现在，这将处理带有或不带属性的p标签和关闭p标签，但会匹配pre和类似标签，有或没有属性。

它不会删除属性，但我的源数据不会将它们放入。我可能会在稍后更改它，但现在就足够了。

答案 3 :(得分：3)

不确定为什么要这样做 - HTML清理的正则表达并不总是最好的方法(你需要记住清理属性等，删除javascript：hrefs等等)...但是，一个正则表达式匹配不是

(|[^pP]>)

详细：

(

< # < opening tag

[^pP].*? # p non-p character, then non-greedy anything

> # > closing tag

| # ....or....

#

[^pP] # a non-p tag

> # >

)

答案 4 :(得分：3)

我使用Xetius正则表达式并且工作正常。除了一些flex生成的标签，它们可以是：

内部没有空格。我尝试在\ s之后用一个简单的？修复它，看起来它正在工作：

|\s?.*>))\/?.*?>

我用它来清除flex生成的html文本中的标签，所以我还添加了更多的例外标签：

|\s?.*>))\/?.*?>

答案 5 :(得分：2)

由于HTML不是常规语言，我不希望正则表达式在匹配它时做得很好。他们可能完成这项任务(虽然我不相信)，但我会考虑寻找其他地方;我确信perl必须有一些现成的库来操作HTML。

无论如何，我认为你想要匹配的是＆lt; /？(p。+ |。*)(\ s *。*)＆gt;非贪婪(我不知道perl的regexp语法的变幻莫测，所以我无法进一步帮助)。我假设\ s表示空格。也许它没有。无论哪种方式，您都希望通过空格匹配与标记名称相关的属性。但它比这更困难，因为人们经常将未转义的尖括号放在脚本和注释中，甚至可能引用属性值，这是你不想匹配的。

正如我所说，我并不认为正则表达式是适合这项工作的正确工具。

答案 6 :(得分：2)

由于HTML不是常规语言

HTML不是HTML标签，而且正则表达式可以充分描述它们。

答案 7 :(得分：1)

Xetius，复活这个古老的问题，因为它有一个没有提到的简单解决方案。 (在为regex bounty quest进行一些研究时找到了您的问题。)

关于使用正则表达式解析html的所有免责声明，这是一种简单的方法。

#!/usr/bin/perl

$regex = '(]*>)|]*>';

$subject = 'Bad html

My paragraph

Italics

second

';

($replaced = $subject) =~ s/$regex/$1/eg;

print $replaced . "\n";

参考

答案 8 :(得分：1)

您还可能希望在p标记中的“p”之前允许空格。不知道你会经常遇到这种情况，但是＆lt; p为H.是完全有效的HTML。

答案 9 :(得分：1)

原始的正则表达式可以很轻松地工作：

/?)(?!p).+?>

问题是/？ (或\？)放弃了失败后的断言所匹配的内容。在它周围使用非回溯组(？> ...)时要注意它永远不会释放匹配的斜杠，因此(？！p)断言始终锚定在标记文本的开头。

(那表示我同意通常用正则表达式解析HTML不是一种方法)。

答案 10 :(得分：1)

假设这可以在PERL中使用，就像声称使用PERL兼容语法的语言一样：

/]*>/

编辑：

但遗憾的是，这与

或标记不匹配。

这可能呢？

/|p )[^>]+>/

这应该涵盖具有属性的

标记。

答案 11 :(得分：0)

试试这个，它应该有效：

//

说明：它匹配除“p”之外的单个字母，后跟可选的空格和更多字符，或多个字母(至少两个)。

/编辑：我添加了处理p代码中的属性的功能。

答案 12 :(得分：-1)

您可能还应删除＆lt; p＆gt;上的所有属性。标签，因为有人可能会做类似的事情：

Clickable text

最简单的方法是使用人们在此处建议的正则表达式来搜索＆amp; ltp＆gt;带有属性的标记，并将其替换为＆lt; p＆gt;没有属性的标签。为了安全起见。