Regex只从html中移除特定的标记。

Question

我只想从给定的html中删除一组html标记(b，i，p，end of tag)。

Pattern p = Pattern.compile("<[^bip/](.*?)>");

但是，这也删除了.*的img标记。我应该改变什么来阻止img的去除？

编辑：我在安卓应用上做这个。我知道regex是最糟糕的方式，但是内置的可扩展类不能像预期的那样工作，而且我不能只为html解析导入一个库。我的目的是检测其他标签是否存在。而且，html很小(最多10行)，性能不应该是个问题。

Answer 1

尝试使用xml (或html)是个坏主意:您肯定希望使用解析器。

在你的例子中，你想要匹配：

<\s*/?\s*[bip]\s*>

删除简单的字母标签

(和相同的结束标记)，并考虑到一些空格是有效的；您还需要运行您的regex作为多行。它可能有用，但它是危险的，你可能会有意想不到的副作用

编辑：我理解您只是想删除标签，而不是标签中的实际内容。

EDIT2：当前模式匹配3个标记，而不是它们的内容。在替换regexp (以空替换)中，它将删除这些格式标记，而不是嵌入式内容。

Answer 2

这在stackoverflow上已经说了一百万次了。

不使用regexes处理HTML、XHTML或XML。它们不是普通语言，它们是上下文无关的语言，不能用正则表达式正确地处理。

Answer 3

我不确定我是否理解你的判断力，似乎和你说的很不一样。使用如下所示：

<([bip])>.*?</\1>

，如果可能的话，不要使用上述或任何其他正则表达式。还有其他更好的方法来做到这一点。在这里或在google.上搜索