如何在sed正则中对子表达式取反？附HTML注释删除方案

通用解决方案 #

针对单行多注释块、跨多行注释的场景，GNU sed 4.7可以用以下命令完美处理：

sed -E ':a s/<!--([^-]|-[^-])*-->//g; /<!--/{N; ba}' file.html

效果验证 #

用你的样本内容测试：
输入：

<!-- comment #1 --><p>useful text</p>  <!-- comment #2 -->more useful text

执行命令后输出：

<p>useful text</p>  more useful text

既能正确删除单行内的多个注释块，也能处理跨多行的注释。

命令逻辑解释 #

1. :a：定义一个循环标签a
2. s/<!--([^-]|-[^-])*-->//g：替换所有符合规则的注释块：
   • <!--：匹配注释开头
   • ([^-]|-[^-])*：匹配任意内容，但避免提前匹配到-->：
     • [^-]：任意不是-的字符
     • -[^-]：单个-且后面不是-的字符
   • -->：匹配注释结尾
3. /<!--/{N; ba}：如果当前行还有未处理的<!--（说明注释跨行了），就读入下一行（N），然后跳回标签a继续循环处理

关于sed中子表达式取反的疑问 #

GNU sed 采用的POSIX扩展正则不支持直接对子表达式（字符串）取反（比如Perl/JS中的负向前瞻(?!pattern)）。你之前尝试的[^(-->)]写法是典型误区：[^...]是字符集取反，只会排除-、>这些单个字符，而不是排除-->这个完整字符串。

如果要实现“匹配不包含某字符串的内容”，只能通过间接的正则逻辑实现，比如我们上面用的([^-]|-[^-])*，通过拆分规则避免匹配到目标字符串。

注意事项 #

HTML标准不允许嵌套注释，如果你的内容存在非标准的嵌套注释，正则方案会失效，这种情况建议使用专门的HTML解析工具处理；但对于标准的非嵌套HTML注释，上述方案完全够用。

内容的提问来源于stack exchange，提问作者dodrg