如何处理XHTML中嵌套<>字符的替换问题？

针对你遇到的嵌套<>标记无法用普通正则处理的问题，以下是几个可行的解决思路：

1. XSLT递归模板处理（推荐，适配现有流程） #

正则本身不擅长处理嵌套结构，而XSLT的递归模板可以通过维护嵌套层级，精准识别最外层标记的边界。

你可以编写一个递归模板，遍历文本时跟踪<和>的层级计数，当层级回到0时，就找到了最外层标记的结束位置，再将其转换为TEI对应的元素（比如<add>，对应原始文档的添加内容）。

示例模板代码：

<xsl:template name="process-nested-adds">
  <xsl:param name="text"/>
  <xsl:param name="level" select="0"/>
  <xsl:choose>
    <xsl:when test="contains($text, '&amp;lt;') or contains($text, '&amp;gt;')">
      <xsl:variable name="lt-pos" select="string-length(substring-before($text, '&amp;lt;')) + 1"/>
      <xsl:variable name="gt-pos" select="string-length(substring-before($text, '&amp;gt;')) + 1"/>
      <xsl:choose>
        <!-- 优先处理&lt;，层级+1 -->
        <xsl:when test="contains($text, '&amp;lt;') and ($lt-pos &lt; $gt-pos or not(contains($text, '&amp;gt;')))">
          <xsl:value-of select="substring-before($text, '&amp;lt;')"/>
          <xsl:if test="$level = 0">
            <add> <!-- TEI添加内容的元素 -->
          </xsl:if>
          <xsl:call-template name="process-nested-adds">
            <xsl:with-param name="text" select="substring-after($text, '&amp;lt;')"/>
            <xsl:with-param name="level" select="$level + 1"/>
          </xsl:call-template>
        </xsl:when>
        <!-- 处理&gt;，层级-1，层级为1时闭合最外层元素 -->
        <xsl:when test="contains($text, '&amp;gt;')">
          <xsl:if test="$level = 1">
            </add>
          </xsl:if>
          <xsl:call-template name="process-nested-adds">
            <xsl:with-param name="text" select="substring-after($text, '&amp;gt;')"/>
            <xsl:with-param name="level" select="$level - 1"/>
          </xsl:call-template>
        </xsl:when>
      </xsl:choose>
    </xsl:when>
    <xsl:otherwise>
      <xsl:value-of select="$text"/>
    </xsl:otherwise>
  </xsl:choose>
</xsl:template>

使用时，直接调用这个模板处理包含嵌套标记的文本节点即可。

2. 用支持递归正则的工具预处理 #

如果不想在XSLT中编写复杂模板，可以用支持递归匹配的正则引擎（比如Python的regex库）先批量处理嵌套标记，再进入XSLT流程。

以Python为例，递归正则可以匹配任意嵌套深度的<>标记：

import regex

def convert_nested_tags(xhtml_content):
    # 匹配嵌套的&lt;...&gt;，替换为TEI的<add>元素
    return regex.sub(r'&lt;((?:[^&lt;&gt;]|(?R))*)&gt;', r'<add>\1</add>', xhtml_content)

如果需要区分特殊标记（比如示例中的<X>），可以调整正则模式单独处理。

3. 占位符预处理（备选方案） #

通过临时替换内层标记的转义字符，避免外层正则误匹配：

• 先循环将内层的<替换为__LT__，>替换为__GT__；
• 用普通正则处理外层的<...>，转换为TEI元素；
• 最后将占位符替换回原始的转义字符，再处理内层标记。

这个方法需要多轮替换，容错性不如前两种，仅作为备选。

内容的提问来源于stack exchange，提问作者ScottD