正則表達式來解析HTML表格

我想刪除HTML文件中的表格，具體來說，下面的文檔，我想刪除標籤<TABLE....> and </TABLE>內的任何東西。該文檔包含多個表格，其中包含文本。正則表達式來解析HTML表格

然而，我提出的表達式<TABLE.*>\s*[\s|\S]*</TABLE>\s*會刪除表格之間的文本。實際上，它會移除第一個<TABLE>和最後一個</TABLE>標記之間的所有內容。我想保留文字，只刪除表格。任何建議，非常感謝。謝謝。

==================== 

<TABLE STYLE=xxx, Font=yyy, etc> 

table texts that should be DELETED... 

</TABLE> 


other texts that should be KEPT... 


<TABLE STYLE=xxx, Font=yyy, etc> 

table texts that should be DELETED... 

</TABLE> 

==========================================

來源

2010-12-19 johnv

**只是。不要。**可能的重複[RegEx匹配開放標籤，除了XHTML獨立標籤]（http://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-標籤） – 2010-12-19 15:19:26

正則表達式匹配_「常規」_語言。 HTML不規則。不要試圖用正則表達式解析它。 – Phrogz 2010-12-19 16:22:47

答案是使用HTML或SGML解析器，也有一些周圍.NET：

http://htmlagilitypack.codeplex.com/

SGML parser .NET recommendations

如果你絕對要使用正則表達式，熟悉你自己與balancing groups，否則嵌套表將打破。這並不容易，而且可能比常規的SGML解析器慢得多。但要注意：看到你的表情我假設你是一個正則表達式新手（提示：避免貪婪.火柴不惜任何代價），所以這可能還不是你的一杯茶。

來源

2010-12-19 15:32:40 Lucero

因爲我知道你不會看一個HTML解析器，即使我告訴你你真的應該，我就回答這個問題。

這僅匹配表：

<table.*?>.*?</table>

它需要兩個選項：dotall和ignoreCase。

你可以在這裏嘗試一下：http://gskinner.com/RegExr/

現在請考慮使用由Lucero建議的HTML Agility Pack好嗎？

編輯：也許這是你的意思，不好意思：

來源

2010-12-19 15:38:54

爲您的示例添加一個嵌套的'TABLE'標籤，它將開始搖滾！ :-) – Lucero 2010-12-19 16:07:03

@Lucero你是對的，它會在嵌套表的第一眼看到它。但是，再次，我猜標記不能被正則表達式解析，因爲它不是「常規」的。對？無論如何，你的鏈接確實包含了.NET的解決方案（讚美！）。 – 2010-12-19 16:25:58

@Camilo，感謝您的榮譽！它不是對你的示例的批評，我只想說明爲什麼只有使用正則表達式才能解決問題，如果你有平衡組支持（這不是最常見的正則表達式引擎的一部分，而是.NET引擎確實支持它）。有了這些，你實際上可以嵌套開始結束匹配，這樣就可以完成。 – Lucero 2010-12-19 16:30:18

正則表達式來解析HTML表格

回答

相關問題