我需要一个reg表达式，它会在html中找到目标单词或单词(因此在标签之间)，但不在锚或脚本标签中。我做了很长时间的实验，想出了这个
(?!<(script|a).*?>)('btype 2 diabetes'b)(?!<'/(a|script)>)
假设这里要替换的目标是2型糖尿病
我认为这是一个常见的问题，但所有的引用都是锚的一部分，而不是不在锚或脚本标签中，而是在它们和其他标签之间
这是一个测试数据我都用过http://regexpal.com/和http://gskinner.com/RegExr/用上面的表达式和下面的测试数据，尽我所能，我只是不能排除锚点或脚本标签中的位，但不排除锚点或脚本标签之间的位。
在测试数据下面只有"2型糖尿病"里面
<p></p>
应该被捕获。
<a href="https://www.testsite.org.uk">
<div><img alt="logo" src="/images/logo.png" height="115" width="200" /></div>
<h2>Healthy Living for People with type 2 Diabetes</h2>
</a>
<p>type 2 Diabetes</p>
<a id="logo" href="https://www.help-diabetes.org.uk">
<div><img alt="logo" src="/images/logo.png" height="115" width="200" /></div>
<h2>Healthy Living for People with type 2 Diabetes</h2>
</a>
这个问题不要使用正则表达式。使用html解析器。下面是一个使用BeautifulSoup的python解决方案:
from BeautifulSoup import BeautifulSoup
with open('Path/to/file', 'r') as content_file:
content = content_file.read()
soup = BeautifulSoup(content)
matches = [el for el in soup(text=re.compile(r'type 2 diabetes')) if el.name not in ['a','script']]
# now you can modify the matched elements
with open('Path/to/file.modified', 'w') as output_file:
output_file.write(str(soup))
要在目标单词出现时进行替换，避免使用a和脚本标记，您必须尝试在目标单词之前匹配这些标记(及其内容)。例子:
$subject = <<<LOD
<a href="https://www.testsite.org.uk">
<div><img alt="logo" src="/images/logo.png" height="115" width="200" /></div>
<h2>Healthy Living for People with type 2 Diabetes</h2>
</a>
<p>type 2 Diabetes</p>
<a id="logo" href="https://www.help-diabetes.org.uk">
<div><img alt="logo" src="/images/logo.png" height="115" width="200" /></div>
<h2>Healthy Living for People with type 2 Diabetes</h2>
</a>
LOD;
$targets = array('type 2 diabetes', 'scarlet fever', 'bubonic plague');
$pattern = '~<(a|script)'b.+?</'1>|'b(?>' . implode('|', $targets) . ')'b~si';
$result = preg_replace_callback($pattern,
function ($m) { return (isset($m[1])) ? $m[0] : '!!!rabbit!!!'; },
$subject);
echo htmlspecialchars($result);
回调函数返回a或script标记，与设置第一个捕获组时相同，或者返回替换字符串。
注意，如果希望为每个目标单词指定一个替换词，可以使用关联数组:
$corr = array( 'type 2 diabetes' => 'marmot',
'scarlet fever' => 'nutria',
'bubonic plague' => 'weasel' );
$pattern = '~<(a|script)'b.+?</'1>|'b(?>'
. implode('|', array_keys($corr)) . ')'b~si';
$result = preg_replace_callback($pattern,
function ($m) use ($corr) {
return (isset($m[1])) ? $m[0] : $corr[strtolower($m[0])];
},
$subject);