正则表达式：忽略html标签

Question

我有这样的HTML内容：

<p>The bedding was hardly <strong>able to cover</strong> it and seemed ready to slide off any moment.</p>

这是HTML的完整版本。 http://collabedit.com/gkuc2

我需要搜索hardly able to cover的字符串（只是一个例子），我想忽略我正在寻找的字符串中的任何HTML标签。 因为在HTML文件中，字符串中有HTML标记，而简单的搜索将无法找到它。

用例是：我有两个版本的文件：

• 带有文本和标签的HTML文件
• 相同的文件，但只有原始文本（删除任何标签和额外的空格）

我要搜索的子字符串（针）来自文本版本（不包含任何HTML标记），我想在HTML版本（具有标签的文件）中找到它的位置。

什么是正则表达式？

Answer 1

把它放在每个字母之间：

(?:<[^>]+>)*

并用以下内容替换空格：

(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*

喜欢：

h(?:<[^>]+>)*a(?:<[^>]+>)*r(?:<[^>]+>)*d(?:<[^>]+>)*l(?:<[^>]+>)*y(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*a(?:<[^>]+>)*b(?:<[^>]+>)*l(?:<[^>]+>)*e(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*t(?:<[^>]+>)*o(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*c(?:<[^>]+>)*o(?:<[^>]+>)*v(?:<[^>]+>)*e(?:<[^>]+>)*r

如果你想让标签打破单词，你只需要每个字母之间的那些，例如： This is b<b>old</b>

这是没有信件中断：

hardly(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*able(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*to(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*cover

这适用于大多数情况。 但是，如果Html格式错误，其中<或>不是htmlencoded，则可能会遇到问题。 此外，它可能会破坏脚本块或CDATA部分的其他元素。

Answer 2

尝试将文本保存在变量或其他内容中，然后删除所有标记并执行常规搜索。 你可以使用一个简单的php函数strip_tags（） 。

编辑：所以你可能会尝试寻找第一个和最后一个单词（或者只是第一个，然后再使用结果的其余部分）来找到字符串，然后解析结果并删除标签并检查它是否是你正在寻找的那个对于。 就像使用正则表达式一样：很难。 覆盖甚至几乎没有。 $并保存每个结果的位置。 然后在结果上使用strip_tags（）并分析每个结果（如果它是您想要的结果）。 我知道这是一种奇怪的解决方案，但你可以避免无休止的正则表达式等。