正则表达式转义非html标签的尖括号

Question

我有一个基于html的文本（带有html标签），我想查找出现在尖括号中的单词，并用<和>替换尖括号，甚至当尖括号用作数学符号时

例如：

String text= "Hello, <b> Whatever <br /> <table> <tr> <td width="300px"> 
              1 < 2 This is a <test> </td> </tr> </table>";

我希望这是：

Hello,  <b> Whatever <br /> <table>  <tr> <td width="300px"> 
1 &lt; 2 This is a &lt; test &gt; </td> </tr> </table>

提前致谢

Answer 1

我建议您使用HTML Cleaner

如果查看HomePage，该示例将准确显示文本如何转义。

<td><a href=index.html>1 -> Home Page</a>

转换成

<td>
   <a href="index.html">1 -&gt; Home Page</a>
</td>

它将规范化您的html以符合标准xHtml。 我过去曾用过它，但（IMHO）它比jTidy＆Co更可靠且更可靠。 （当然最好使用正则表达式或替换策略...）

Answer 2

请参阅RegEx匹配打开的标签（XHTML自包含标签除外），并且不要使用regex解析html。 使用SGML解析器，但不要使用正则表达式。 它经常会失败。 HTML不是常规语言。

Answer 3

如果不是CSS，Javascript和CData部分，则有可能。

如果仅处理HTML的子集，则可以假设可以对未用有效元素标识符字符包围的尖括号进行编码。

类似于“ <（？= [^ A-Za-z_：0-9 /]）”->“ <”和“（？<= [^ A-Za-z_：0-9 /]）>”- >“>”

但是，除非您自己生成HTML并知道它没有嵌入式CSS，javascript，CData或对象部分，否则...

就像fraido所说的，不要对非规则语言使用正则表达式。

Answer 4

众所周知，您不应该依赖正则表达式来解析HTML。 他们根本做不到。 但是，就我而言，我想捕获看起来好像不在HTML标记中的任何尖括号，然后将其转义。 由于事后所有事情都要经过消毒器处理，因此安全性不是问题，而且结果只需要足够好就可以捕获大多数情况，而不是全部。

您需要一个支持零宽度超前声明的Regexp库。 就我而言，这就是Ruby 1.8中的Oniguruma。

为了匹配小于符号（<），我做到了：

/<(?!(/?[A-Za-z_:0-9]+\s?/?>))/

匹配大于（>）符号比较困难。 大多数库不支持可变长度的零宽度后置断言。 因此，您作弊：反转字符串，运行先行断言，然后使用以下模式反转其后：

>(?!(/?\s?[A-Za-z_:0-9]+/?<))

因此，我的代码看起来像：

match_less_than = Oniguruma::ORegexp.new('<(?!(/?[A-Za-z_:0-9]+\s?/?>))')
match_less_than.gsub!(string, '&lt;')

match_greater_than = Oniguruma::ORegexp.new('>(?!(/?\s?[A-Za-z_:0-9]+/?<))')
string = match_greater_than.gsub(string.reverse, '&gt;'.reverse).reverse

讨厌吧？