.net - RegEx 将找到带引号的字符串，但不在 HTML 标记内

Question

我一直在寻找一个正则表达式，它可以识别 HTML 页面内容中的引号字符串，但如果引号是 HTML 标记属性的一部分，则不会。

例子：

<p id="123">This is some "quoted text" in a <span class="test">sentence.</span></p>

在上面的行中，我想找到“引用文本”字符串，而不是 id="123" 或 class="test"。

我尝试了一些但没有工作。

下面的正则表达式提取上面示例中的 HTML 标记并排除句子内容......但我希望它做相反的事情：

<[^>]+>

Answer 1

如果您想解析 HTML 以从中获取有用的东西，请使用HTMLAgilityPack - 它使执行此类操作变得相当简单。

另请参阅：您不能使用正则表达式来解析 HTML

Answer 2

在这种特殊情况下，我认为您不会有很多保证。对于如何将引用的字符串放在 HTML 片段中，有太多的选择。但是，根据您上面给出的具体示例，以下表达式将找到“引用文本”：

(?<=(?:^|>)[^<>]*)"[^"]+"(?=[^<>]*(?:<|$))