正則表達式：忽略html標簽

Question

我有這樣的HTML內容：

<p>The bedding was hardly <strong>able to cover</strong> it and seemed ready to slide off any moment.</p>

這是HTML的完整版本。 http://collabedit.com/gkuc2

我需要搜索hardly able to cover的字符串（只是一個例子），我想忽略我正在尋找的字符串中的任何HTML標簽。 因為在HTML文件中，字符串中有HTML標記，而簡單的搜索將無法找到它。

用例是：我有兩個版本的文件：

• 帶有文本和標簽的HTML文件
• 相同的文件，但只有原始文本（刪除任何標簽和額外的空格）

我要搜索的子字符串（針）來自文本版本（不包含任何HTML標記），我想在HTML版本（具有標簽的文件）中找到它的位置。

什么是正則表達式？

Answer 1

把它放在每個字母之間：

(?:<[^>]+>)*

並用以下內容替換空格：

(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*

喜歡：

h(?:<[^>]+>)*a(?:<[^>]+>)*r(?:<[^>]+>)*d(?:<[^>]+>)*l(?:<[^>]+>)*y(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*a(?:<[^>]+>)*b(?:<[^>]+>)*l(?:<[^>]+>)*e(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*t(?:<[^>]+>)*o(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*c(?:<[^>]+>)*o(?:<[^>]+>)*v(?:<[^>]+>)*e(?:<[^>]+>)*r

如果你想讓標簽打破單詞，你只需要每個字母之間的那些，例如： This is b<b>old</b>

這是沒有信件中斷：

hardly(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*able(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*to(?:\s*<[^>]+>\s*)*\s+(?:\s*<[^>]+>\s*)*cover

這適用於大多數情況。 但是，如果Html格式錯誤，其中<或>不是htmlencoded，則可能會遇到問題。 此外，它可能會破壞腳本塊或CDATA部分的其他元素。

Answer 2

嘗試將文本保存在變量或其他內容中，然后刪除所有標記並執行常規搜索。 你可以使用一個簡單的php函數strip_tags（） 。

編輯：所以你可能會嘗試尋找第一個和最后一個單詞（或者只是第一個，然后再使用結果的其余部分）來找到字符串，然后解析結果並刪除標簽並檢查它是否是你正在尋找的那個對於。 就像使用正則表達式一樣：很難。 覆蓋甚至幾乎沒有。 $並保存每個結果的位置。 然后在結果上使用strip_tags（）並分析每個結果（如果它是您想要的結果）。 我知道這是一種奇怪的解決方案，但你可以避免無休止的正則表達式等。