删除Regex.Match字符串的部分内容

本文关键字：Regex Match 字符串 删除 | 更新日期: 2023-09-27 17:54:28

所以我在字符串中有一个HTML表。这些HTML大多来自FrontPage，因此格式大多不正确。下面是它的快速样本。

<b>Table 1</b>
  <table class='class1'>
  <tr>
    <td>
      <p>Procedure Name</td>
    <td>
        <p>Procedure</td>
    </tr>
  </table>
<p><b>Table 2</b></p>
  <table class='class2'>
    <tr>
      <td>
        <p>Procedure Name</td>
        <td>
        <p>Procedure</td>
    </tr>
  </table>
<p> Some text is here</p>

据我所知，FrontPage会自动在每个新单元格中添加一个<p>。

我想删除那些在表内的<p>标记，但保留那些在表外的标记。到目前为止，我尝试了两种方法：

第一种方法

第一种方法是使用单个RegEx来捕获表中的每个<p>标记，然后使用Regex.Replace()来删除它们。然而，我从来没有找到合适的RegEx。(我知道用RegEx解析HTML很糟糕。我认为数据足够简单，可以应用RegEx(。

使用以下regex:<table.*?>(.*?)</table>，我可以很容易地获得每个表中的所有内容

然后我只想获取<p>标签，所以我写了这个：(?<=<table.*?>)(<p>)(?=</table>)。这与任何内容都不匹配。(显然，.NET允许在其lookbehinds中使用量词。至少这是我在使用时的印象http://regexhero.net/tester/)

有什么办法我可以修改这个RegEx来只捕获我需要的东西吗？

第二种方法

第二种方法是只将表内容捕获到字符串中，然后String.Replace()删除<p>标记。我使用以下代码来捕获匹配：

MatchCollection tablematch = Regex.Matches(htmlSource, @"<table.*?>(.*?)</table>", RegexOptions.Singleline);

htmlSource是一个包含整个HTML页面的字符串，该变量是处理后将发送回客户端的变量。我只想从htmlSource中删除我需要删除的内容。

如何使用MatchCollection删除<p>标记，然后将更新后的表发送回htmlSource？

感谢

删除Regex.Match字符串的部分内容

这个答案基于第二种建议的方法。更改Regex以将表中的所有内容匹配到：

<table.*?table>

并使用Regex.Replace指定MatchEvaluator来执行所需的替换：

Regex myRegex = new Regex(@"<table.*?table>", RegexOptions.Singleline);
string replaced = myRegex.Replace(htmlSource, m=> m.Value.Replace("<p>",""));
Console.WriteLine(replaced);

使用问题输入的输出：

<b>Table 1</b>
    <table class='class1'>
    <tr>
    <td>
        Procedure Name</td>
    <td>
        Procedure</td>
    </tr>
    </table>
<p><b>Table 2</b></p>
    <table class='class2'>
    <tr>
        <td>
        Procedure Name</td>
        <td>
        Procedure</td>
    </tr>
    </table>
<p> Some text is here</p>

我想通过使用委托(回调(可以完成。

string html = @"
<b>Table 1</b>
  <table class='class1'>
  <tr>
    <td>
      <p>Procedure Name</td>
    <td>
        <p>Procedure</td>
    </tr>
  </table>
<p><b>Table 2</b></p>
  <table class='class2'>
    <tr>
      <td>
        <p>Procedure Name</td>
        <td>
        <p>Procedure</td>
    </tr>
  </table>
<p> Some text is here</p>
";
Regex RxTable = new Regex( @"(?s)(<table[^>]*>)(.+?)(</table's*>)" );
Regex RxP = new Regex( @"<p>" );
string htmlNew = RxTable.Replace( 
    html,
    delegate(Match match)
    {
       return match.Groups[1].Value + RxP.Replace(match.Groups[2].Value, "") + match.Groups[3].Value;
    }
);
Console.WriteLine( htmlNew );

输出：

<b>Table 1</b>
  <table class='class1'>
  <tr>
    <td>
      Procedure Name</td>
    <td>
        Procedure</td>
    </tr>
  </table>
<p><b>Table 2</b></p>
  <table class='class2'>
    <tr>
      <td>
        Procedure Name</td>
        <td>
        Procedure</td>
    </tr>
  </table>
<p> Some text is here</p>

一般来说，regex允许您使用嵌套结构，它非常丑陋，您应该避免它，但如果您没有其他选项，您可以使用它。

static void Main()
{
    string s = 
@"A()
{
    for()
    {
    }
    do
    {
    }
}
B()
{
    for()
    {
    }   
}
C()
{
    for()
    {
        for()
        {
        }
    }   
}";
    var r = new Regex(@"  
                      {                       
                          (                 
                              [^{}]           # everything except braces { }   
                              |
                              (?<open>  { )   # if { then push
                              |
                              (?<-open> } )   # if } then pop
                          )+
                          (?(open)(?!))       # true if stack is empty
                      }                                                                  
                    ", RegexOptions.IgnorePatternWhitespace | RegexOptions.ExplicitCapture);
    int counter = 0;
    foreach (Match m in r.Matches(s))
        Console.WriteLine("Outer block #{0}'r'n{1}", ++counter, m.Value);
    Console.Read();
}

这里regex"知道"块从哪里开始，从哪里结束，所以如果没有合适的结束标记，您可以使用这些信息来删除<p>标记。

相关文章：