如何在HTML中匹配'；这不是内部标签吗？

给定如下字符串：

<a href="http://blah.com/foo/blah">This is the foo link</a>

。。。还有一个像“foo”这样的搜索字符串，我想突出显示HTML文本中出现的所有“foo”——但不是在标记中。换句话说，我想得到这个：

<a href="http://blah.com/foo/blah">This is the <b>foo</b> link</a>

但是，简单的搜索和替换将不起作用，因为它将匹配标记的href中的部分URL

那么，以一个问题的形式来表达上述内容：如何限制正则表达式，使其只匹配HTML标记之外的文本

注意：我保证所讨论的HTML永远不会像：

<img title="Haha! Here are some angle brackets to screw you up: ><" />

Edit:是的，我当然知道CPAN中有复杂的库，甚至可以解析最恶劣的HTML，从而减少对此类正则表达式的需要。在很多情况下，我都会这么做。但是，这不是其中之一，因为保持此脚本简短、无外部依赖关系非常重要。我只想要一行正则表达式

编辑2:同样，我知道Template:：Refine:：Fragment可以为我解析所有HTML。如果我在写一个应用程序，我肯定会使用这样的解决方案。但这不是一个应用程序。它只不过是一个shell脚本。这是一段一次性代码。在这种情况下，作为一个可以传递的独立文件是非常有价值的。“嘿，运行这个程序”比“嘿，安装一个Perl模块，然后运行这个——等等，什么，你以前从未使用过CPAN？好的，运行Perl-MCPAN-eshell（最好以root用户身份运行）然后它会问你一大堆问题，但你真的不需要回答。不，不要害怕，这不会破坏任何东西。听着，你不需要仔细回答每个问题——只需反复按enter键。不，我保证，这不会破坏任何东西。”

现在，将上述内容乘以大量用户，他们想知道为什么他们一直使用的简单脚本不再那么简单，而现在所做的只是将搜索词改为粗体

---

因此，虽然Template:：Refine:：Fragment可能是其他人HTML解析问题的答案，但它不是这个问题的答案。我只需要一个正则表达式，它可以处理脚本实际需要解析的非常有限的HTML子集。

通常，您需要将HTML解析为DOM，然后遍历文本节点。我将使用Template:：Refine实现以下目标：

#!/usr/bin/env perl

use strict;
use warnings;
use feature ':5.10';

use Template::Refine::Fragment;

my $frag = Template::Refine::Fragment->new_from_string('<p>Hello, world.  <a href="http://foo.com/">This is a test of foo finding.</a>  Here is another foo.');

say $frag->process(
    simple_replace {
        my $n = shift;
        my $text = $n->textContent;
        $text =~ s/foo/<foo>/g;
        return XML::LibXML::Text->new($text);
    } '//text()',
)->render;

#/usr/bin/env perl
严格使用；
使用警告；
使用特征“：5.10”；
使用Template:：Refine:：Fragment；
我的$frag=Template:：Refine:：Fragment->new_from_string（“你好，world。这里是另一个foo”）；
说$frag->process(
简单替换{
我的$n=班次；
my$text=$n->textContent；
$text=~s/foo//g；
返回XML:：LibXML:：Text->new（$Text）；
}“//text（）”，
)->渲染；

这将产生：

<p>Hello, world.  <a href="http://foo.com/">This is a test of &lt;foo&gt; finding.</a>  Here is another &lt;foo&gt;.</p> 

你好，世界。这是另一个foo。

无论如何，不要用正则表达式解析结构化数据。HTML不是“常规的”，它是“上下文无关的”

---

编辑：最后，如果您在程序中生成HTML，并且必须对字符串执行类似的转换，“您做错了”。您应该构建一个DOM，并且只在所有内容都已转换时对其进行序列化。（但是，您仍然可以通过

new\u from\u dom

构造函数使用TR。）

如果您可以绝对保证HTML中没有尖括号，而不是用于打开和关闭标记的尖括号，那么这应该可以：

s%(>|\G)([^<]*?)($key)%$1$2<b>$3</b>%g

---

s%（>|\G）（[^以下正则表达式将匹配标记之间或标记外部的所有文本：

<.*?>(.*?)<.*?>|>(.*?)<

（.*？）|>（.*<

然后您可以根据需要对其进行操作。
试试这个

（？=>）？（\w[^>]+？）（？=要从嵌套标记中去除可变大小的内容，可以使用这个正则表达式，它实际上是一个小型正则语法。（注意：PCRE机器）

（？）。（使用正则表达式解析HTML非常困难。正如您的示例所示，这很难做到正确。）正则表达式在考虑注释和CDATA节时失败。（基于正则表达式的解析器很好，但您需要存储比正则表达式单独存储更多的状态。这就是为什么您使用解析器而不是随机正则表达式。）我自己生成HTML。它没有注释或CDATA部分。脚本是25行。我不会添加对外部文件的依赖性——你建议的是过度工程的定义。但是你看，我已经为你做了工程。重用……你听说过吗？是的……这就是为什么其他人说你实际上应该使用HTML解析器，而不是简单的正则表达式。我确实同意他们的观点，但是如果你真的想使用s///那么就把你自己弄出来；-）这些都是错误的。试着在“foooo blabla foo\n fooo”中突出显示“foo”重新发明轮子太有趣了！现在这很有趣，一个被接受的答案是-3票…我应该删除它：-（@Vlad:感谢测试用例--但是，我还是自己生成HTML。它只能有少量可能的表单中的一种，而那不是其中之一。不过，我已经更新了正则表达式来处理您的测试用例。
（？=>）
在其余部分匹配时不匹配。
（？）
是您想要的。（将
（？=>）？
替换为
（？）
或
（？）
）