尝试更换 <br> ， <BR> ， <br +attribute> 标签与 <br/>

Question

我正在尝试将一堆HTML文档转换为XML规范（通过java方法），并且有很多<br>标记要么（1）未关闭，要么（2）包含属性。 由于某种原因，我正在使用的正则表达式无法解决包含属性的标记。 这是代码：

htmlString = htmlString.replaceAll("(?i)<br *>", "<br/>");

该代码对于文档中的所有<br>标记均适用。 它用<br/>代替它们。 但是，对于像

<BR style="PAGE-BREAK-BEFORE: always" clear=all>

它什么也没做。 我希望所有br标签都为<br/> ，而不管转换之前标签中的任何属性。

为了达到此目的，我需要在正则表达式中添加什么？

Answer 1

您可能希望<br\\b[^>]*>匹配所有符合以下条件的标签

• 从<br开始
• 在<br后面加上一个分词符（例如，您将不匹配<brown>标记
• 包含任意数量的非>字符，包括0
• 以>结尾

Answer 2

您必须使用.*而不是* ：

htmlString.replaceAll("(?i)<br .*>", "<br/>")
//-----------------------------^^

因为：

*匹配前一个字符或子表达式0次或更多次。

和

.*匹配任何字符零或多次

因此，对于您的情况：

String htmlString = "<BR style=\"PAGE-BREAK-BEFORE: always\" clear=all>";
System.out.println(htmlString.replaceAll("(?i)<br .*>", "<br/>"));

产量

<br/>

Answer 3

此正则表达式将执行您想要的操作： <(BR|br)[^>]*>

这是一个工作示例： Regex101

Answer 4

使用正则表达式解析HTML不是一个好主意，因为HTML不是正则。 您应该使用像NekoHTML这样的适当的解析库。

NekoHTML是一个简单的HTML扫描器和标签平衡器，使应用程序程序员可以解析HTML文档并使用标准XML接口访问信息。 解析器可以扫描HTML文件并“修复”人类（和计算机）作者在编写HTML文档时犯的许多常见错误。 NekoHTML添加缺少的父元素； 自动关闭带有可选结束标签的元素； 并可以处理不匹配的内联元素标签。