正则表达式 - 如果不存在开始标记，则匹配结束html标记

Question

我希望得到一个像</EM>这样的结束html标记，只有在它之前的某个地方，即在任何先前的标记或文本之前没有起始<EM>标记我的样本字符串

ddd d<STRONG>dfdsdsd dsdsddd<EM>ss</EM>r and</EM>and strong</STRONG>

在此字符串中输出应为</EM>，这也是第二个</EM>，因为它缺少起始<EM>。我试过了

(?!=<EM>.*)</EM>

但它似乎无法正常工作请帮助你

Answer 1

我不确定正则表达式最适合这种任务，因为标签总是可以嵌套。

无论如何，C＃正则表达式如下：

(?<!<EM>[^<]+)</EM>

只会带来第二个</EM>标记

请注意：

• ?!是一个负面的提前，它解释了找到</EM>的原因。 所以...... (?!=<EM>.*) xxx实际上意味着捕获xxx，如果它没有跟=<EM>.*。我不确定您是否希望在其中加入=
• ?<!是背后的消极外观，更适合您想要做的事情，但是对于java正则表达式引擎不适用，因为这个后置正则表达式没有明显的最大长度。

然而，对于RETester测试的.Net正则表达式引擎，它确实有效。

Answer 2

这里需要pushdown automaton。正则表达式不足以捕获这个概念，因为它们等同于finite-state automata，因此正则表示正则表达式解决方案是禁止的。

也就是说，.NET正则表达式做后面有一个下推自动机，所以他们理论上可以处理这种情况。如果您真的觉得需要使用正则表达式而不是正式的HTML解析器，请瞥一眼here。

Answer 3

你应该看到this other Stack Overflow question的最佳答案，因为它给出了完美的答案。简而言之，不要使用正则表达式来尝试解析HTML - 这是一个非常糟糕的主意。