正则表达式在html标记之间匹配长度超过x个字符的文本？

我的任务是迁移您将遇到的最糟糕的HTML产品描述。它由表格和段落组成。大多数都不是100%有效的HTML，还有很多微软的标签是由微软Word提供的。它到处都是行内风格的标签，而且大部分都依赖于你所见过的最棒的css规则

从本质上说，我已经意识到，唯一有用的东西是文本的段落。我不能仅仅抓住

标签，因为有时段落不使用它们，有时标题或单个单词有自己的

标签

所以我的问题是，我能在html标记之间匹配长度超过x个字符的文本吗

理想情况下，它也会忽略

和

我正在处理的html的一个例子

---

注意，这只是我正在处理的描述，而不是整个页面。

此正则表达式的组

1

将匹配标记之间的

n+

字符（在本例中，n=

100

）：

]+>([^

注:

---

• 我故意没有匹配一个匹配的结束标记（

  ]+）>（[^稍微浏览一下站点，看起来很多描述都少于100个字符。您可以尝试一种多遍方法，在第一次迭代中，从“
  div id=“tab1”后面的第一个表中捕获所有内容
  ”。从这一点出发，可能更容易识别和删除您不想要的部分，而不是提取您想要的部分。
  我只能访问描述-只有选项卡1…但仍然存在仅获取内容的问题。是否有任何方法可以让它忽略
  和标记。…这样它们就不会算作结束标记或开始标记了吗？对于这类事情，regex不是一个好工具（我尝试过使用负面环视，但无法使其工作）。但是，只需使用您的本地语言（我假设PHP，so
  str_replace（）
  标记为空白）在使用正则表达式之前从输入中删除所有此类标记。如果需要知道标记的位置，请将
  
  替换为
  [br]
  等，以便它们不再与正则表达式匹配，但仍能在文本中识别
  <[^>]+>([^<]{100,})<[^>]+>