用于解析HTML段的正则表达式（regex）

Question

我目前正在尝试提出一个正则表达式，它将解析如下内容：

原始HTML：

<td align="center"><p>line 1</p><p>line 2</p><p>line 3</p></td>

预期的HTML：

<td align="center">line 1<br />line 2<br />line 3</td>

请注意，整个HTML文档中还有其他<p>...</p>标签，这些标签不能被触摸。 我只想在<td>或<th>替换<p>...</p> 。

我还需要一个正则表达式来逆转该过程。 请注意，这些正则表达式必须在VB / VBScript / Classic ASP中起作用，因此尽管我可以使用前行（我认为这是此处的关键），但不能使用后行。 我尝试失败的一些正则表达式是：

1. <td[^>]*>(<p>.+<\/p>)<\/td>
2. <td[^>]*>(<p>.+<\/p>)+?<\/td>
3. <td[^>]*><p>(?:(.+?)<\/p><p>(.+))+<\/p><\/td>
4. <td[^>]*>(<p>(?:(?!<\/p>)).*<\/p>)+?<\/td>
5. <td[^>]*>(?:<p>(.+?)<\/p>)*(?:<p>(.+)<\/p>)<\/td>
6. <td[^>]*>(?:<p>(.+?)<\/p>)(?:<p>(.+)<\/p>)*(?:<p>(.+)<\/p>)<\/td>

我可以“欺骗”并拉出整行，然后通常使用标准的VB字符串操作函数手动对其进行解析，但这绝对不是最优雅的方法，也不是最快的方法。 必须使用某种方式使用RegEx一次完成此操作。

最终我想服用...

<td align="center"><p><span style="color:#ff0000;"><strong>line 1</strong></span></p><p>line 2</p><p>line 3</p></td>

...然后变成

<td align="center"><span style="color:#ff0000;"><strong>line 1</strong></span><br />line 2<br />line 3</td>

有什么想法（除了不要使用正则表达式，大声笑）？

谢谢！

Answer 1

正则表达式不适用于HTML之类的不规则语言。 您最好使用适当的HTML解析器。

您可以使用PHP的DOM库 ：

$doc = new DOMDocument();
$doc->loadHTML($code);
$xpath = new DOMXpath($doc);
forach ($xpath->query('//td/p') as $i => $elem) {  // find all P elements that are a child of a TD
    if ($i != 0) {                                  // add BR for any P except the first
        $elem->parentNode->insertBefore($doc->createElement('br'), $elem);
    }
    foreach ($elem->childNodes as $nodes) {        // move contents out of P
        $elem->parentNode->insertBefore($node, $elem);
    }
    $elem->parentNode->removeChild($elem);         // remove empty P
}

Answer 2

这是您的问题：

必须使用某种方式使用RegEx一次完成此操作。

这是错误的，没有办法。 从数学上讲这是不可能的。 正则表达式，即使具有前瞻性的正则表达式也无法维持解析HTML表达式所需的状态。

您必须使用HTML解析器。 已经写了很多，如果您指定目标环境，我们可以帮助您选择一个。 例如，在.Net中，HTML Agility Pack很不错。

Answer 3

更具体地说，ASP和IIS确实支持ISAPI筛选器，但是，我不想或不必求助于它。 HTML段只是一个字符串，不是DOM树的一部分（尽管我可以将其转换为一个）。

最终，这是我解决问题的方法，因为正则表达式显然不能满足我的要求：

RE3.Pattern = "<td[^>]*><p>.+?<\/p><\/td>"
Set Matches = RE3.Execute(it)
If Matches.Count > 0 Then
   RE3.Pattern = "<p[^>]*>"
   For Each Match In Matches
      itxt_tmp = Replace(Replace(RE3.Replace(Match.Value,""),"</p>","<br />"),"<br /></td>","</td>")
      it = Replace(it,Match.Value,itxt_tmp)
   Next
End If
Set Matches = Nothing

并回到原始的：

RE.Pattern = "<td[^>]*>.+?<\/td>"
Set Matches = RE.Execute(itxt)
If Matches.Count > 0 Then
   For Each Match In Matches
      If InStr(1,Match.Value,"<br />") > 1 Then
         RE.Pattern = "<td([^>]*)>"
         itxt_tmp = RE.Replace(Replace(Replace(Match.Value,"<br />","</p><p>"),"</td>","</p></td>"),"<td$1><p>")
         itxt = Replace(itxt,Match.Value,itxt_tmp)
      End If
   Next
End If
Set Matches = Nothing

可能不是最快的方法，也不是最好的方法，但是它确实起作用。 我不知道这是否对遇到类似问题的人有帮助，但我想我还是把这个代码段扔了出去，以防万一。