正则表达式匹配除<；之外的所有HTML标记；p>；及</p>；

我需要在Perl中使用正则表达式匹配并删除所有标记。我有以下资料：

<\\??(?!p).+?>

但这仍然与结束标记相匹配。还有关于如何与结束标记匹配的提示吗

---

注意，这是在xhtml上执行的。

假设这将在PERL中工作，就像在声称使用PERL兼容语法的语言中一样：

/]*>/

编辑：

但不幸的是，这与

或

标记不匹配

/<\/?(?!p>|p )[^>]+>/

也许是这个

/<\/?([^p](\s.+?)?|..+?)>/

/| p）[^>]+>/

---

这应该包括也有属性的标签。

试试这个，它应该可以工作：

<p onclick="document.location.href='http://www.evil.com'">Clickable text</p>

//

说明：它可以匹配除“p”之外的单个字母，后跟可选空格和更多字符，也可以匹配多个字母（至少两个）

---

/编辑：我添加了处理

p

标记中属性的功能。

由于HTML不是一种常规语言，我不希望正则表达式能够很好地匹配它。他们可能会接受这项任务（虽然我不相信），但我会考虑去别处看看；我确信perl必须有一些现成的库来操作HTML

无论如何，我认为您想要匹配的是非贪婪的（我不知道perl的regexp语法有多奇怪，所以我无法进一步帮助）。我假设\s表示空白。也许不是。无论哪种方式，您都需要一些匹配属性的内容，这些属性通过空格从标记名偏移。但这比这更困难，因为人们经常在脚本和注释中放上未加修饰的尖括号，甚至可能是引用的属性值，这是您不想匹配的

正如我所说，我并不认为regexp是适合这项工作的工具

---

因为HTML不是一种常规语言

---

HTML不是，但HTML标记是，它们可以用正则表达式进行适当的描述。

您可能还应该删除标记上的任何属性，因为坏人可能会执行以下操作：

<(?!\/?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
/

可点击文本

最简单的方法是使用这里人们建议的正则表达式搜索带有属性的<p>标记，并将它们替换为不带属性的标记。为了安全起见。

我想到了这个：

(
    <               # < opening tag
        [^pP].*?    # p non-p character, then non-greedy anything
    >               # > closing tag
|                   #   ....or....
    </              # </
        [^pP]       # a non-p tag
    >               # >
)

\s.*）\/？*>
x/
<#匹配开口角支架
（？！#消极前瞻（不匹配也不消耗）
\/？#0或1/
p#p
（？=#正向前瞻（匹配且不消耗）
>#>-无属性
|#或
\s#空格
有什么事吗
>#右尖括号-带属性
)#关闭正向前瞻
)#关闭负面展望
#如果我们已经走了这么远，那么我们就不匹配了
#p标记或结束p标记
#有无属性
\/?         # 可选关闭标记符号（/）
.*?         # 有什么事吗
>#第一个结束标记
/

现在，这将处理带属性或不带属性的p标记和结束p标记，但将匹配带属性或不带属性的pre和类似标记

---

它不会去掉属性，但我的源数据不会把它们放进去。稍后我可能会更改此选项以执行此操作，但这就足够了。

不确定为什么要执行此操作-用于HTML清理的正则表达式并不总是最好的方法（您需要记住清理属性等，删除javascript:hrefs等）。。。但是，要匹配非

的HTML标记，需要使用正则表达式：

（|）

冗长的：

# Remove all HTML except "p" tags
$html =~ s{<(?>/?)(?:[^pP]|[pP][^\s>/])[^>]*>}{}g;

(
<#<开始标签
[^pP].*p非-p字符，则为非贪婪字符
>#>结束标记
|#……或。。。。
)
如果您坚持使用正则表达式，在大多数情况下，类似的方法都会奏效：

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

接受文件名、打开的文件句柄或字符串形式的输入。将上述代码包装到库中并使目的地可配置（即，不只是像上面那样打印）并不难。与尝试使用正则表达式相比，结果将更加可靠、可维护，并且可能更快（HTML:：Parser使用基于C的后端）。
您可能还希望在p标记中的“p”之前允许空白。不确定您会多久遇到这种情况，但是完全有效的HTML。
在我看来，尝试用HTML解析器以外的任何东西解析HTML只会让人感到痛苦。HTML是一种非常复杂的语言（这是创建XHTML的主要原因之一，它比HTML简单得多）

例如，这：

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

只需很少的努力即可使原始正则表达式工作：

<(?!\/?(p|a|b|i|u|br)(?=>|\s?.*>))\/?.*?>

/？）（？！p.+？>

问题是/？（或\？）在断言失败后放弃匹配的内容。在其周围使用非回溯组（？>…）会注意它不会释放匹配的斜杠，因此（？p）断言始终锚定到标记文本的开头

（也就是说，我同意通常用正则表达式解析HTML不是一种好方法）。
我使用了Xetius正则表达式，它工作得很好。除了一些flex生成的标记之外，这些标记可以是：
，内部没有空格。我试着用一个简单的？在\s之后，它看起来正在工作：

#!/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";

\s？*>）\/？*>

我使用它来清除flex生成的html文本中的标记，因此我还添加了更多例外标记：

~(<\/?[^>]*(?<!<\/p|p)>)~ig

\s？*>）\/？*>
Xetius，重新提出这个古老的问题，因为它有一个没有提到的简单解决方案。（在为某个客户进行研究时发现了您的问题。）

所有关于使用正则表达式解析html的免责声明，下面是一个简单的方法

#/usr/bin/perl
$regex
<(?!\/?p(?=>|\s?.*>))\/?.*?>

<(?!\/?(p|a|b|i|u|br)(?=>|\s?.*>))\/?.*?>

#!/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";

~(<\/?[^>]*(?<!<\/p|p)>)~ig