正则表达式匹配单词但不匹配html实体

Question

我正在用正则表达式解析html节点文本，以查找要对其执行操作的单词。
我正在使用(\\w+)

我遇到类似word word ，并且nbsp被识别为一个单词。

我可以将html实体与\\&[a-z0-9A-Z]+\\;匹配\\&[a-z0-9A-Z]+\\; 但是我不知道如果单词是实体的一部分，如何使单词不匹配。

有没有办法让正则表达式匹配一个单词，但是如果它是如下所示的html实体，则不可以？

 
< <
ý ý
等

Answer 1

否定的后置断言可以解决问题：

(?<!&#?)\b\w+

仅在单词不以&或&#开头时匹配。 但是，它不会检查分号，因为它可以合法地跟随一个普通的单词。

Answer 2

而是第一次使用：

System.Web.HttpUtility.HtmlDecode(...)

要么

System.Net.WebUtility.HtmlDecode(...)

在您的HTML上。

解码会将所有转义的字符转换为正常表示。 之后，使用正则表达式解析解码的HTML。

Answer 3

由于您使用的是C＃，因此可以进一步检查完整的
实体形式。

这使用条件在单词边界处进行检查
前分号。 如果在那儿，它会向后使用以确保
这不是实体。

 # @"(?i)(\w+)\b(?(?=;)(?<!(?:&|%)(?:[a-z]+|(?:\#(?:[0-9]+|x[0-9a-f]+)))(?=;)))"

 (?i)
 ( \w+ )                       # (1)
 \b 
 (?(?= ; )                     # Conditional. Is ';' the next character ? 
      (?<!                          # Yes, then this word cannot be part of an entity
           (?: & | % )
           (?:
                [a-z]+ 
             |  (?:
                     \#
                     (?:
                          [0-9]+ 
                       |  x [0-9a-f]+ 
                     )
                )
           )
           (?= ; )
      )
 )

码：

string input = @"
 
&lt; <
&#253; ý
etc etc
I have situations like word&nbsp;word and the nbsp gets recognized as a word.
";

Regex RxNonEntWords = new Regex(@"(?i)(\w+)\b(?(?=;)(?<!(?:&|%)(?:[a-z]+|(?:\#(?:[0-9]+|x[0-9a-f]+)))(?=;)))");
Match _m = RxNonEntWords.Match( input );
while (_m.Success)
{
    Console.WriteLine("Found: {1}", _m.Groups[1].Value);
    _m = _m.NextMatch();
}