Как создать шаблон регулярного выражения для простого текста HTML?

Я пытаюсь изучить шаблоны Regex для класса. Я делаю простой HTML Lexer/Parser. Я знаю, что это не лучший и не самый эффективный способ создания лексера/парсера, но он предназначен только для понимания шаблонов регулярных выражений.

Итак, мой вопрос: как мне создать шаблон, который проверяет, не содержит ли строка каких-либо тегов HTML (т.е. <TAG>) и не содержит каких-либо объектов HTML (т.е. &ENT;)?

Это то, что я мог придумать до сих пор, но это все еще не работает:

.+?(^(?:&[A-Za-z0-9#]+;)^(?:<.*?>))

РЕДАКТИРОВАТЬ: Единственная проблема заключается в том, что я не могу отрицать окончательный результат, который мне нужен, чтобы найти полный шаблон, который выполнил бы эту задачу, если это возможно, хотя это может быть некрасиво. Я никогда не упоминал, но в значительной степени предполагается, что он соответствует любому простому тексту на странице HTML.


java regex posix regex-negation
person Free Lancer    schedule 10.12.2010    source источник
comment
возможный дубликат RegEx соответствует открытым тегам, кроме автономных тегов XHTML< /а>   -  person Ben Jackson    schedule 10.12.2010
comment
Почему нельзя отрицать шаблон? Я не понимаю ваших рассуждений...   -  person Platinum Azure    schedule 11.12.2010
comment
Вы можете скопировать строку HTML, а затем использовать приведенные ниже шаблоны регулярных выражений, чтобы избавиться от тегов и сущностей HTML (замените шаблоны ничем). Это оставляет вас с простым текстом (хотя сущности исчезли, а не переведены в их настоящие символы).   -  person Platinum Azure    schedule 11.12.2010

Ответы (2)


arrow_upward
1
arrow_downward

Если вы хотите сопоставить строки, которые НЕ соответствуют шаблону, самое простое, что нужно сделать, это сопоставить шаблон, а затем отрицать результат проверки.

<[^>]+>|&[^;]+;

Любая строка, соответствующая этому шаблону, будет иметь ПО КРАЙНЕЙ МЕРЕ ОДИН тег (как вы его определили) или объект (как вы его определили). Таким образом, строки, которые вам нужны, - это строки, которые НЕ соответствуют этому шаблону (у них НЕТ тегов или сущностей).

person Platinum Azure    schedule 10.12.2010
comment
Я бы изменил оба * на + и удалил группу захвата. - person aioobe; 10.12.2010
comment
Возможно ли это? ^(?:‹[^›]+›|&[^;]+;) - person Free Lancer; 11.12.2010
comment
то есть: группировка шаблона, а затем отрицание всего этого в шаблоне. - person Free Lancer; 11.12.2010
comment
Нет, потому что вы не можете отрицать шаблон, только класс символов. Символ ^ вне класса символов работает иначе: он привязывает шаблон к началу строки. (Это причудливый способ сказать, что строка должна начинаться с шаблона, а не просто содержать его) - person Platinum Azure; 11.12.2010

arrow_upward
2
arrow_downward

Вы можете использовать выражение <.+?>|&.+?; для поиска соответствия, а затем отрицать результат.

  • <.+?> говорит сначала <, затем что-то (один или несколько раз), затем >
  • &.+?; говорит сначала &, затем что-то (один или несколько раз), затем ;

Вот полный пример с демонстрацией ideone.com здесь.

import java.util.regex.*;

public class Test {
    public static void main(String[] args) {
        String[] tests = { "hello", "hello <b>world</b>!", "Hello&nbsp;world" };
        Pattern p = Pattern.compile("<.+?>|&.+?;");
        for (String test : tests) {
            Matcher m = p.matcher(test);
            if (m.find())
                System.out.printf("\"%s\" has HTML: %s%n", test, m.group());
            else
                System.out.printf("\"%s\" does have no HTML%n", test);
        }
    }
}

Вывод:

"hello" does have no HTML
"hello <b>world</b>!" has HTML: <b>
"Hello&nbsp;world" has HTML: &nbsp;
person aioobe    schedule 10.12.2010