请教一个正则提取问题

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2326 天前的主题，其中的信息可能已经有所发展或是发生改变。

我需要提取 html 代码中非 A 标签的内容应该怎么写？也就是所有">"和"<"之间的内容，但是跳过<a...>之间的内容

<div>123<a href="#" title="abc" target="_blank">456</a>789<br/>hello</div>

比如上面这段 HTML，除了 A 标签之间的"456"不提取，其他的"123"、"789"、"hello"都提取出来

8 条回复

wangchonglie

2018-08-16 08:59:56 +08:00

我提供一个方法，第一步先将<a>xx</a>的字段找出来，然后替换掉为一个新的标签，最后再匹配>(.*?)<中的内容就可以提取到你想要的内容了。抛砖引玉，期待别人更好的回答。

yangg

2018-08-16 09:19:02 +08:00

什么语言，最好直接用 bs, pyquery 或者 cheerio 之类的

JmmBite

2018-08-16 09:34:43 +08:00

`([^<>]+?)<(?!\/a)`

IssacTomatoTan

2018-08-16 09:34:45 +08:00 via Android

/[^>]+(?=<\/a>)/

des

2018-08-16 09:42:52 +08:00 via Android

后排说一句，HTML 很有可能碰到不标准的，不建议用正则来匹配

rabbbit

2018-08-16 09:47:54 +08:00

先把<a></a>去掉再匹配,因为 a 标签里可能有别的东西,例如

<p>DIV<a>AAA<b>BBB</b>CCC</a>DIV</p>

aqtata

2018-08-16 10:01:21 +08:00

感谢各位大佬相助，已经解决。其实匹配所有标签也行，程序中判断一下就可以。如果完全靠正则可以用 3 楼朋友的，测试可行。

zhaogaz

2018-08-16 10:09:02 +08:00

印象中应该是要用零宽断言用不用贪婪需要看你匹配到哪个 </a>了