0

我想从 html 文档中提取文本，将链接保留在其中。例如：

从此 HTML 代码

<div class="CssClass21">bla1 bla1 bla1 <a href="http://www.ibrii.com">go to ibrii</a> bla2 bla2 bla2 <img src="http://www.contoso.com/hello.jpg"> <span class="cssClass34">hello hello</span>

我想提取这个

bla1 bla1 bla1 <a href="http://www.ibrii.com">go to ibrii</a> bla2 bla2 bla2 hello hello

在 StackOverflow 上的另一篇文章中，我发现了 RegEx <[^>]*>，它允许通过将每个匹配项替换为空来提取文本。如何从匹配中排除锚标签？RegEx 似乎不允许反向匹配。

4

2 回答 2

2

正则表达式确实允许通过前瞻进行非平凡的否定形式，但在这种情况下，它只是一个很好的练习，因为虽然我不是每次将正则表达式与 HTML 一起提到时都会用圣火燃烧的狂热者，但这确实是要使用解析器解决的问题。

于 2010-01-02T11:45:45.103 回答
0

暂时编码<a href ...>...</a>成其他东西，删除所有其他标签，然后恢复<a>标签：

// Example in javascript:
string.
    replace(/<a(.*?)>/g,'\0$1\0').
    replace(/<\/a>/,'\1').
    replace(/<[^>]*>/,'').
    replace(/\0(.*?)\0/,'<a$1>').
    replace(/\1/,'</a>');

在上面的代码中，我使用 NUL 和 SOH 字符（ASCII 0x00 和 0x01）作为<a>标签的替换，因为它们不太可能出现在字符串中。随意将它们替换为不会出现在您的字符串中的任何其他字符或字符序列。

从其他评论看来，您是在浏览器中操作。在这种情况下，浏览器已经将 HTML 解析为一个漂亮的 DOM 树。使用 DOM 方法解析树并按照您想要的方式处理它：

function simpleHTML (domNode) {
    var ret = "";
    if (domNode.nodeType === Node.ELEMENT_NODE) {
        var children = domNode.childNodes;
        for (var i=0;i<children.length;i++) {
            var child = children[i];

            // Filter out unwanted nodes to speed up processing.
            // For example, you can ignore 'SCRIPT' nodes etc.
            if (child.nodeName != 'SCRIPT') {
                if (child.nodeName == 'A') {
                    ret += '<a href="' + child.href + '">' +
                               simpleHTML(child) +
                           '</a>';
                }
                else {
                    ret += simpleHTML(child);
                }
            }
        }
    }
    else if (domNode.nodeType === Node.TEXT_NODE) {
        ret +=  domNode.nodeValue;
    }
    return ret;
}
// serialize the whole document:
var simpleDocument = simpleHTML(document.body);

// serialize a div:
var simpleDiv = simpleHTML(document.getElementById('some_div'));

// filter a html formatted string:
var temp = document.createElement('DIV');
temp.innerHTML = original_string;
simple_string = simpleHTML(temp);
于 2010-01-02T11:44:56.930 回答