使用正则表达式删除html实体并提取文本内容

Question

我有一个仅包含 HTML 实体的文本，例如<， 我需要将其全部删除并仅获取文本内容：

&nbspHello there<testdata>

所以，我需要从这个部分得到Hello there和testdata。有没有办法使用负前瞻来做到这一点？

我尝试了以下方法：/((?!&.+;).)+/ig但这似乎效果不佳。那么，我如何才能从那里提取所需的文本？

Answer 1

查找 HTML 实体的更好语法是以下正则表达式：

/&([a-z0-9]+|#[0-9]{1,6}|#x[0-9a-fA-F]{1,6});/ig

此语法忽略虚假实体。

Answer 2

这里有2条建议：

1）使用 匹配所有实体/(&.+;)/ig。然后，使用您正在使用的任何编程语言，将这些匹配项替换为空字符串。例如，在 php 中使用preg_replace；在 C# 中使用Regex.Replace。请参阅此 SO，了解更多案例的类似解决方案：How to remove htmlspecial chars?

2）如果你真的想使用明文部分来做到这一点，你可以尝试这样的事情：/(?:^|;)([^&;]+)(?:&|$)/ig。它实际上试图做什么，它与没有实体的开始和结束的特殊情况之间的部分相;匹配&。这可能不是正确的方法，您可能会遇到这种情况的不同情况。