正則表達式來搜索/替換文本，而不是HTML屬性

Question

我正在使用JavaScript來完成一些正則表達式。考慮到我正在處理格式良好的源代碼，並且我希望在[，。]之前移除任何空格，並且在[，。]之後只保留一個空格，但[，。]是數字的一部分。因此，我使用：

text = text.replace(/ *(,|\.) *([^ 0-9])/g, '$1 $2'); 

問題是，這也取代了html標記屬性中的文本。例如我的文本（總是用標籤包裝）：

<p>Test,and test . Again <img src="xyz.jpg"> ...</p> 

現在添加一個空格，這樣src="xyz. jpg"預期不會。我怎樣才能重寫我的正則表達式？我想要的是

<p>Test, and test. Again <img src="xyz.jpg"> ...</p> 

謝謝！

Answer 1

您可以使用超前來確保匹配不在標記內發生：

text = text.replace(/(?![^<>]*>) *([.,]) *([^ \d])/g, '$1 $2'); 

通常的警告適用於屬性值中的CDATA節，SGML註釋，SCRIPT元素和尖括號。但是我懷疑你的真正問題會出現在「簡單」文本的變幻莫測之中; HTML甚至不在同一聯盟中。 ：D

Answer 2

Html不是「常規語言」，因此正則表達式不是解析它的最佳工具。你可能更適合使用html parser like this one to get at the attribute，然後應用正則表達式來處理值。

享受！

Answer 3

Don't parse regexHTML with HTMLregex。如果您知道您的HTML格式正確，請使用HTML/XML解析器。否則，先通過Tidy運行它，然後使用XML解析器。

Answer 4

不要試圖重寫你的表達來做到這一點。你不會成功，幾乎肯定會忘記一些角落案例。在最好的情況下，這會導致令人討厭的錯誤，在最壞的情況下，你會引入安全問題。相反，如果您已經在使用JavaScript並且具有格式正確的代碼，請使用真正的XML解析器遍歷文本節點，並僅將正則表達式應用於它們。

Answer 5

如上所述，以前很多次，HTML不是正規語言，因此不能用正則表達式進行分析。

您將不得不遞歸執行此操作;我建議爬行DOM對象。

嘗試這樣的事情......

function regexReplaceInnerText(curr_element) { 
    if (curr_element.childNodes.length <= 0) { // termination case: 
               // no children; this is a "leaf node" 
     if (curr_element.nodeName == "#text" || curr_element.nodeType == 3) { // node is text; not an empty tag like <br /> 
      if (curr_element.data.replace(/^\s*|\s*$/g, '') != "") { // node isn't just white space 
                    // (you can skip this check if you want) 
       var text = curr_element.data; 
       text = text.replace(/ *(,|\.) *([^ 0-9])/g, '$1 $2'); 
       curr_element.data = text; 
      } 
     } 
    } else { 
     // recursive case: 
     // this isn't a leaf node, so we iterate over all children and recurse 
     for (var i = 0; curr_element.childNodes[i]; i++) { 
      regexReplaceInnerText(curr_element.childNodes[i]); 
     } 
    } 
} 
// then get the element whose children's text nodes you want to be regex'd 
regexReplaceInnerText(document.getElementsByTagName("body")[0]); 
// or if you don't want to do the whole document... 
regexReplaceInnerText(document.getElementById("ElementToRegEx")); 

Answer 6

如果可以通過DOM訪問文本，你可以這樣做：

function fixPunctuation(elem) { 
    // check if parameter is a an ELEMENT_NODE 
    if (!(elem instanceof Node) || elem.nodeType !== Node.ELEMENT_NODE) return; 
    var children = elem.childNodes, node; 
    // iterate the child nodes of the element node 
    for (var i=0; children[i]; ++i) { 
     node = children[i]; 
     // check the child’s node type 
     switch (node.nodeType) { 
     case Node.ELEMENT_NODE: 
      // call fixPunctuation if it’s also an ELEMENT_NODE 
      fixPunctuation(node); 
      break; 
     case Node.TEXT_NODE: 
      // fix punctuation if it’s a TEXT_NODE 
      node.nodeValue = node.nodeValue.replace(/ *(,|\.) *([^ 0-9])/g, '$1 $2'); 
      break; 
     } 
    } 
} 

現在只是通過DOM節點這樣的功能此：

fixPunctuation(document.body); 
fixPunctuation(document.getElementById("foobar"));