1

我确定这个问题已经在某个地方被问过（也许在这里），但我找不到任何信息，这可能是因为我不确定如何准确描述它。

本质上，我正在寻找高级查找和替换。更换我确信我可以弄清楚它什么时候可以使用，但现在我无法找到工作。

在一个应用程序中，有很多 htm 文件被加载。用户选择一个文件并对其执行操作。完成此操作后，我希望系统再扫描一次文件以确保没有问题。例如，此字符串可能存在于 htm 文件中：

<?strange_tag_start 
     name="var_value" ?>Name<?strange_tag_end ?>

而且，是的，它可以像这样被打破。以上不是问题，除非发生这种情况：

<?strange_tag_start 
     name="var_value" ?><?strange_tag_start 
     name="var_value" ?>Name<?strange_tag_end ?><?strange_tag_end ?>

换行符可能不同。我想要做的是在文档中搜索包含<?strange_tag然后包含<?strange_tag_end ?>. 如果找到这些，我想在字符串中检查是否有 another<?strange_tag_start或 another <?strange_tag_end ?>。

我最初尝试读取文件并获取特定值的每个索引，然后尝试比较它们。但是，文件中可能存在以下内容，这些内容完全可以，但系统会找到它们并为我标记它们：

<?strange_tag_start 
     name="var_value" ?>Name<?strange_tag_end ?> There is other text here
and some more text on another line. Then this <?strange_tag_start name="var_value"
             ?>Name<?strange_tag_end ?> is present.

它归结为一个系统（例如存在于某些应用程序中），其中指定了字符串的开头，指定了字符串的结尾，然后系统检查它是否包含字符串。

如果这没有意义或者您需要更多说明，我可以这样做。

更新

让我澄清一下。我有以下多行字符串：

I want to preserve<?start_foo  
                bar="value" ?> the content  
<?start_baz qux="value" ?>Name  
<?end-baz_qux ?>that is between weird tags.

我想找到<?start_foo bar="value" 我也想找到<?end-baz_qux ?>（注意：其中可能有两个彼此相邻。）找到这些后，我想检查该字符串中是否有另一个<?start_foo bar=（注意：该标签中的“值”可以也不同。）然后我想删除不应该存在的中间内容，所以我最终得到：

I want to preserve<?start_foo  
                bar="value" ?> the content 
<?end-baz_qux ?>that is between weird tags.

这是另一个示例，希望可以使其更清楚：

Back <?rh-udv_start name="ctrl_btn" ?><?rh-udv_start name="ctrl_btn" 
    ?>button<?rh-udv_end ?><?rh-udv_end ?> to

完成搜索后，我应该得到这个：

Back <?rh-udv_start name="ctrl_btn" ?>button<?rh-udv_end ?> to

本质上，我正在寻找一种说法：

  1. 使用 VALUE_X 查找“开始”的字符串（误导为“开始”可能位于字符串的中间）。
  2. 如果找到，则在其后找到 VALUE_Y（如果有 VALUE_X，则应始终找到）。
  3. 检查 VALUE_Y 之后是否还有另一个 VALUE_Y。
  4. 检查 VALUE_X 到 VALUE_Y 的字符串内部是否包含另一个 VALUE_X。
  5. 如果还有另一个 VALUE_X，请将其删除。如果紧跟在 VALUE_Y 之后有一个 VALUE_Y，则删除第二个 VALUE_Y。
4

2 回答 2

2

我相信

<\?.*?\?>

可以找到大多数正则表达式风格的标签（包括 Visual Studio 的 - 不确定你使用的是哪个）。

如果你也想替换奇怪标签之间的内容，那你能给我们举一个更现实的例子吗？为了提供正确的正则表达式，准确了解您要匹配的内容（或一些非常接近的近似值）至关重要。例如

<?start_strange_tag blah="foo"?>Name<?end_strange_tag?>

与

<?foo bar="baz"?>Name<?/foo?>

这不同于

<?start_foo bar="baz"?>Name<?foo_end?>

等等。

更新

根据您在下面的评论，我将假设您的文档如下所示：

I want to preserve<?start_foo  
                    bar=\"value\" ?> the content  
<?start_baz qux=\"value\" ?>Name  
<?end-baz_qux ?>that is not between weird tags.

并且您希望结果是：

I want to preserve the content  
that is not between weird tags.

我还将假设您使用的是 .NET 正则表达式程序集（而不是 Visual Studio 内置的正则表达式。是的，它们是不同的。）

如果是这样的话，那么你可以使用这样的东西：

static void Main( string[] args )
{

    string l_input =
        "I want to preserve<?start_foo \n" + 
        "                    bar=\"value\" ?> the content\n" +
        "<?start_baz qux=\"value\" ?>Name\n" +
        "<?end-baz_qux ?>that is not between weird tags.";

    string[] l_singleTags = { "foo" };
    string[] l_multiTags = { "baz" };

    // Removing the single tags is easy:

    foreach ( var l_singleTag in l_singleTags )
        l_input = Regex.Replace( l_input, @"<\?start_" + Regex.Escape( l_singleTag ) + @"\b.*?\?>", "", RegexOptions.Singleline );

    // Removing the multi tags is not too bad:

    foreach ( var l_multiTag in l_multiTags )
        l_input = Regex.Replace( l_input, @"<\?start_" + Regex.Escape( l_multiTag ) + @" (?<param>\w+).*?\?>.*?<\?end-" + Regex.Escape( l_multiTag ) + @"_\k<param>.*?\?>", "", RegexOptions.Singleline );

    Console.WriteLine( l_input );

    Console.ReadKey( true );

}

l_input变成：

I want to preserve the content  
that is not between weird tags.

更新 2

为了响应您的问题更新，请尝试以下代码：

static void Main( string[] args )
{

    string l_input =
        "Back <?rh-udv_start name=\"ctrl_btn\" ?><?rh-udv_start name=\"ctrl_btn\"" +
        "   ?>button<?rh-udv_end ?><?rh-udv_end ?> to";

    l_input = Regex.Replace( l_input, @"<\?(?<tagname>[-a-z]+_[a-z]+).*?\?>(?=<\?\k<tagname>)", "", RegexOptions.Singleline );

    Console.WriteLine( l_input );

    Console.ReadKey( true );

}

l_input变成：

Back <?rh-udv_start name="ctrl_btn"   ?>button<?rh-udv_end ?> to

它只是查找重复标签并将其删除。例如：

<?a_start foo="bar"?><?a_start    foo="bar"
?>

第一个标签将被删除，只留下：

<?a_start    foo="bar"
?>

结束标签也是如此。代码不会容忍标签之间的空间或内容（在这种情况下它不会删除任何一个标签）。随意使用该示例，直到您拥有所需的内容。

于 2013-01-17T18:26:43.313 回答
0

您可以为此使用Html Agility Pack。我已经将它用于类似的事情，在 HTML 中查找引用并将 ID 替换为序数。在我的情况下，搜索和替换如下所示：

var doc = new HtmlDocument();
doc.LoadHtml(html);
// find using xpath expression
var citeNodes = doc.DocumentNode.SelectNodes("//cite[@data-citationid]");
foreach (var node in citeNodes)
{
    // do some other stuff
    node.Name = "a";
    node.SetAttributeValue("id", "r" + citation.CitationId);
    node.InnerHtml = "[" + citation.Ordinal + "]";
}
return doc.DocumentNode.InnerHtml;
于 2013-01-17T18:30:00.677 回答