正則表達式轉義非html標簽的尖括號

Question

我有一個基於html的文本（帶有html標簽），我想查找出現在尖括號中的單詞，並用<和>替換尖括號，甚至當尖括號用作數學符號時

例如：

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

我希望這是：

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

提前致謝

Answer 1

我建議您使用HTML Cleaner

如果查看HomePage，該示例將准確顯示文本如何轉義。

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

轉換成

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

它將規范化您的html以符合標准xHtml。 我過去曾用過它，但（IMHO）它比jTidy＆Co更可靠且更可靠。 （當然最好使用正則表達式或替換策略...）

Answer 2

請參閱RegEx匹配打開的標簽（XHTML自包含標簽除外），並且不要使用regex解析html。 使用SGML解析器，但不要使用正則表達式。 它經常會失敗。 HTML不是常規語言。

Answer 3

如果不是CSS，Javascript和CData部分，則有可能。

如果僅處理HTML的子集，則可以假設可以對未用有效元素標識符字符包圍的尖括號進行編碼。

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

但是，除非您自己生成HTML並知道它沒有嵌入式CSS，javascript，CData或對象部分，否則...

就像fraido所說的，不要對非規則語言使用正則表達式。

Answer 4

眾所周知，您不應該依賴正則表達式來解析HTML。 他們根本做不到。 但是，就我而言，我想捕獲看起來好像不在HTML標記中的任何尖括號，然后將其轉義。 由於事后所有事情都要經過消毒器處理，因此安全性不是問題，而且結果只需要足夠好就可以捕獲大多數情況，而不是全部。

您需要一個支持零寬度超前聲明的Regexp庫。 就我而言，這就是Ruby 1.8中的Oniguruma。

為了匹配小於符號（<），我做到了：

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

匹配大於（>）符號比較困難。 大多數庫不支持可變長度的零寬度后置斷言。 因此，您作弊：反轉字符串，運行先行斷言，然后使用以下模式反轉其后：

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

因此，我的代碼看起來像：

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

討厭吧？