如何删除所有 <br> 从第一段开始，最后使用正则表达式

Question

我试图摆脱第一段和最后一段中所有多余的<br> 。

例如：

st = "<p><br><br><br><br>apple</p>
     <p>bananas</p>
     <p>orange<br><br><br><br><br></p>
     <p>tomatoes</p>
     <p>berry<br><br><br><br><br><br></p>"

我希望以此结束：

        "<p>apple</p>
         <p>bananas</p>
         <p>orange<br><br><br><br><br></p>
         <p>tomatoes</p>
         <p>berry</p>"

我的目标是单独保留<br>中间段落（例如橙色段落），并删除所有第一段<br> ，最后一个段落的末尾。

我试过做这个正则表达式：

st.sub(/^((<p>)|<br( \/)?>)*|(<p>|<br( \/)?>|< \/p>)*$/, '')

我得到这个：

=>  "<p>apple</p>
     <p>bananas</p>
     <p>orange<br><br><br><br><br></p>
     <p>tomatoes</p>
     <p>berry<br><br><br><br><br><br></p>"

我无法删除重复<br>的最后一段。

Answer 1

不要使用正则表达式。 而是使用解析器：

require 'nokogiri'

doc = Nokogiri::HTML::DocumentFragment.parse(<<EOT)
<p><br><br><br><br>apple</p>
<p>bananas</p>
<p>orange<br><br><br><br><br></p>
<p>tomatoes</p>
<p>berry<br><br><br><br><br><br></p>
EOT

p_tags = doc.search('p')
[:first, :last].each { |s| p_tags.send(s).search('br').remove }
doc.to_html

这将导致片段看起来像：

# => "<p>apple</p>\n" +
#    "<p>bananas</p>\n" +
#    "<p>orange<br><br><br><br><br></p>\n" +
#    "<p>tomatoes</p>\n" +
#    "<p>berry</p>\n"

解析器更有能力应对不断变化的HTML，因此，如果您要进行任何HTML更改或对其进行抓取，那么学习如何使用它们便有回报。

在没有解析器或复杂正则表达式的情况下完成您想要的操作的另一种方法是：

str = <<EOT
<p><br><br><br><br>apple</p>
<p>bananas</p>
<p>orange<br><br><br><br><br></p>
<p>tomatoes</p>
<p>berry<br><br><br><br><br><br></p>
EOT

str_lines = str.lines
[0, -1].each { |i| str_lines[i].gsub!(/<br>/, '') }
puts str_lines.join

结果相同。

第一种方法的优点是它不会关心，如果<br>神秘改为<br/>如HTML5，或<br >

最后，如果您双重坚持使用更长，更复杂的模式，至少可以简化一下：

puts str.sub(/\A<p>(?:<br>)+/, '<p>').sub(/(?:<br>)+<\/p>\Z/, '</p>')

再次导致相同的结果。

正则表达式对于某些任务非常有用，但对标记不利。 如果您坚持使用正则表达式，则可以像后面的解决方案中那样简化问题，因为它降低了模式的复杂性，从而提高了可读性并简化了维护。

Answer 2

st = st.gsub(/(?<=\A<p>)(<br\/?>)+|(<br\/?>)+(?=[<]\/p>\Z)/, '')

有两部分由管道（OR）分隔：

1） (?<=\\A<p>)(<br\\/?>)+匹配在字符串（ \\A ）和<p>标记开头之后的1个或多个<br>

2） (<br\\/?>)+(?=[<]\\/p>\\Z)匹配在字符串末尾</p>结束标记之前的1个或多个<br> （ \\Z ）

还有gsub，因为我们要替换字符串中所有的出现，而不仅仅是第一个。
g in g sub代表g lobal。

Answer 3

我建议一些简单易懂，易于测试和维护的内容。

str =<<-_
<p><br><br><br><br>apple</p>
<p>bananas</p>
<p>orange<br><br><br><br><br></p>
<p>tomatoes</p>
<p>berry<br><br><br><br><br><br></p>
_
  #=> "<p><br><br><br><br>apple</p>\n<p>bananas</p>\n<p>orange<br><br><br><br><br></p>\n<p>tomatoes</p>\n<p>berry<br><br><br><br><br><br></p>\n"

first, *mid, last = str.lines    
first.gsub('<br>', '') << mid.join << last.gsub('<br>', '')
  #=> "<p>apple</p>\n<p>bananas</p>\n<p>orange<br><br><br><br><br></p>\n<p>tomatoes</p>\n<p>berry</p>\n" 
puts s
<p>apple</p>
<p>bananas</p>
<p>orange<br><br><br><br><br></p>
<p>tomatoes</p>
<p>berry</p>

注意

first
  #=> "<p><br><br><br><br>apple</p>\n" 
mid
  #=> ["<p>bananas</p>\n",
  #    "<p>orange<br><br><br><br><br></p>\n",
  #    "<p>tomatoes</p>\n"]
last
  #=> "<p>berry<br><br><br><br><br><br></p>\n"