正則表達式匹配單詞但不匹配html實體

Question

我正在用正則表達式解析html節點文本，以查找要對其執行操作的單詞。
我正在使用(\\w+)

我遇到類似word word ，並且nbsp被識別為一個單詞。

我可以將html實體與\\&[a-z0-9A-Z]+\\;匹配\\&[a-z0-9A-Z]+\\; 但是我不知道如果單詞是實體的一部分，如何使單詞不匹配。

有沒有辦法讓正則表達式匹配一個單詞，但是如果它是如下所示的html實體，則不可以？

 
< <
ý ý
等

Answer 1

否定的后置斷言可以解決問題：

(?<!&#?)\b\w+

僅在單詞不以&或&#開頭時匹配。 但是，它不會檢查分號，因為它可以合法地跟隨一個普通的單詞。

Answer 2

而是第一次使用：

System.Web.HttpUtility.HtmlDecode(...)

要么

System.Net.WebUtility.HtmlDecode(...)

在您的HTML上。

解碼會將所有轉義的字符轉換為正常表示。 之后，使用正則表達式解析解碼的HTML。

Answer 3

由於您使用的是C＃，因此可以進一步檢查完整的
實體形式。

這使用條件在單詞邊界處進行檢查
前分號。 如果在那兒，它會向后使用以確保
這不是實體。

 # @"(?i)(\w+)\b(?(?=;)(?<!(?:&|%)(?:[a-z]+|(?:\#(?:[0-9]+|x[0-9a-f]+)))(?=;)))"

 (?i)
 ( \w+ )                       # (1)
 \b 
 (?(?= ; )                     # Conditional. Is ';' the next character ? 
      (?<!                          # Yes, then this word cannot be part of an entity
           (?: & | % )
           (?:
                [a-z]+ 
             |  (?:
                     \#
                     (?:
                          [0-9]+ 
                       |  x [0-9a-f]+ 
                     )
                )
           )
           (?= ; )
      )
 )

碼：

string input = @"
 
&lt; <
&#253; ý
etc etc
I have situations like word&nbsp;word and the nbsp gets recognized as a word.
";

Regex RxNonEntWords = new Regex(@"(?i)(\w+)\b(?(?=;)(?<!(?:&|%)(?:[a-z]+|(?:\#(?:[0-9]+|x[0-9a-f]+)))(?=;)))");
Match _m = RxNonEntWords.Match( input );
while (_m.Success)
{
    Console.WriteLine("Found: {1}", _m.Groups[1].Value);
    _m = _m.NextMatch();
}