html - 正規表現でhtmlを匿名化

Question

SQL クエリのために、HTML 文字列を正規表現で匿名化しようとしています。

(?<!\<)[^<>\s](?!\>)

<p><em>Hi [User</em></p>
<p><em>Tack f&ouml;r visat intresse.</em></p>
<p><em>Good luck!</em><em>&nbsp;</em></p>
<p><em>Sincerely</em></p>

<p><em>nn nnnnn</nm></p>
<p><em>nnnn nnnnnnnn nnnnn nnnnnnnnn</nm></p>
<p><em>nnnn nnnnn</nm><em>nnnnnn</nm></p>
<p><em>nnnnnnnnn</nm></p>

計画は、<> 内にないすべての文字を . に置き換えることでしたn。ほとんど機能しますが、私の例ではein を置き換え</em>ます。それを修正する理由と方法がわかりません。

例のを置き換えないように正規表現を調整するにはどうすればよいeですか?

score 5 · Accepted Answer

現在の位置の後に他の山括弧の前にa が続かないことを確認するため[^<>]*>のだけではなく、の否定先読み(これは、現在タグ内にいることを示すため)。>>

これは、後読みを削除できることも意味します。

[^<>\s](?![^<>]*>)
          ^^^^^^

それでも、可能であれば、HTML パーサーを使用して HTML を解析する方がよいでしょう。

1 に答える 1