我正在尝试从HTML文件中删除未使用的跨度(即没有属性的跨度),已经清除了其他正则表达式我不想要的所有属性.

我的正则表达式没有选择要删除的正确的开始和结束标记对,我遇到了问题.

my $a = 'a b c de';
$a =~ s/(.*?)<\/span>/$1/g;
print "$a\

回报

a b c de

但是我希望它能够回归

a b c de

帮助赞赏.

试试HTML :: Parser:

#!/usr/bin/perl

use strict;
use warnings;

use HTML::Parser;

my @print_span;
my $p = HTML::Parser->new(
  start_h   => [ sub {
    my ($text, $name, $attr) = @_;
    if ( $name eq 'span' ) {
      my $print_tag = %$attr;
      push @print_span, $print_tag;
      return if !$print_tag;
    }
    print $text;
  }, 'text,tagname,attr'],
  end_h => [ sub {
    my ($text, $name) = @_;
    if ( $name eq 'span' ) {
      return if !pop @print_span;
    }
    print $text;
  }, 'text,tagname'],
  default_h => [ sub { print shift }, 'text'],
);
$p->parse_file(\*DATA) or die "Err: $!";
$p->eof;

__END__





This is a header
a b c de

正则表达式不足以解析HTML(或XML).你能想出的任何正则表达式都无法匹配甚至有效HTML的各种表述(更不用说现实世界的标签汤)了.

这是一个嵌套问题.Regex通常不能处理嵌套,但Perl有一个非标准的扩展来支持正则表达式递归:(？n),其中n是要递归的组号.所以像这样的东西会匹配你的例子中的两个跨度:

(]*>.*+(?1)?.*+<\/span>)

见perlfaq 6.11.

不幸的是,这还不够,因为它需要能够计算属性和未分配的开始标记,允许结束标记关闭任何一个.如果没有匹配属性span start-tags,我无法想到这样做的方法.

你需要一个HTML解析器,你应该使用一个,因为HTML/XML的正则表达式肯定是错误的.

不要使用regexp进行处理(HTML ==)XML.你永远不知道你会得到什么输入.考虑一下这个有效的HTML:

a b c de

你能想到这个吗？

请改用XML处理器.

另请参阅相关问题(右侧)以查找您的问题.