正则表达式来解析HTML表格

我想删除HTML文件中的表格，具体来说，下面的文档，我想删除标签<TABLE....> and </TABLE>内的任何东西。该文档包含多个表格，其中包含文本。正则表达式来解析HTML表格

然而，我提出的表达式<TABLE.*>\s*[\s|\S]*</TABLE>\s*会删除表格之间的文本。实际上，它会移除第一个<TABLE>和最后一个</TABLE>标记之间的所有内容。我想保留文字，只删除表格。任何建议，非常感谢。谢谢。

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

<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> 

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

来源

2010-12-19 johnv

**只是。不要。**可能的重复[RegEx匹配开放标签，除了XHTML独立标签]（http://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-标签） – 2010-12-19 15:19:26

正则表达式匹配_“常规”_语言。 HTML不规则。不要试图用正则表达式解析它。 – Phrogz 2010-12-19 16:22:47

答案是使用HTML或SGML解析器，也有一些周围.NET：

http://htmlagilitypack.codeplex.com/

SGML parser .NET recommendations

如果你绝对要使用正则表达式，熟悉你自己与balancing groups，否则嵌套表将打破。这并不容易，而且可能比常规的SGML解析器慢得多。但要注意：看到你的表情我假设你是一个正则表达式新手（提示：避免贪婪.火柴不惜任何代价），所以这可能还不是你的一杯茶。

来源

2010-12-19 15:32:40 Lucero

因为我知道你不会看一个HTML解析器，即使我告诉你你真的应该，我就回答这个问题。

这仅匹配表：

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

它需要两个选项：dotall和ignoreCase。

你可以在这里尝试一下：http://gskinner.com/RegExr/

现在请考虑使用由Lucero建议的HTML Agility Pack好吗？

编辑：也许这是你的意思，不好意思：

来源

2010-12-19 15:38:54

为您的示例添加一个嵌套的'TABLE'标签，它将开始摇滚！ :-) – Lucero 2010-12-19 16:07:03

@Lucero你是对的，它会在嵌套表的第一眼看到它。但是，再次，我猜标记不能被正则表达式解析，因为它不是“常规”的。对？无论如何，你的链接确实包含了.NET的解决方案（赞美！）。 – 2010-12-19 16:25:58

@Camilo，感谢您的荣誉！它不是对你的示例的批评，我只想说明为什么只有使用正则表达式才能解决问题，如果你有平衡组支持（这不是最常见的正则表达式引擎的一部分，而是.NET引擎确实支持它）。有了这些，你实际上可以嵌套开始结束匹配，这样就可以完成。 – Lucero 2010-12-19 16:30:18

正则表达式来解析HTML表格

回答

相关问题