如何用正则表达式匹配除<em>TEST</em>外的所有<字符？

核心思路 #

先标记需要保留的合法<em>标签（或其转义实体），再删除所有剩余的孤立<字符或不完整标签片段，最后恢复保留的内容。

情况1：字符串中是原始HTML标签（未转义，如<em>TEST</em>） #

采用三步法处理，示例代码（Python）：

import re

input_str = "这是<单独的<字符，还有<abc片段，<em>TEST</em>需要保留，另一个<xyz"

# 1. 用占位符暂存所有合法<em>标签内容
temp_pattern = re.compile(r'(<em>.*?</em>)')
placeholders = []
def replace_with_placeholder(match):
    placeholders.append(match.group(1))
    return f'__PLACEHOLDER_{len(placeholders)-1}__'

temp_str = temp_pattern.sub(replace_with_placeholder, input_str)

# 2. 删除所有无效的<开头片段
cleaned_str = re.sub(r'<(?!em>)[^>]*', '', temp_str)

# 3. 恢复占位符对应的标签内容
for i, content in enumerate(placeholders):
    cleaned_str = cleaned_str.replace(f'__PLACEHOLDER_{i}__', content)

print(cleaned_str)
# 输出：这是字符，还有片段，<em>TEST</em>需要保留，另一个

情况2：字符串中是转义后的HTML实体（如<em>TEST</em>） #

调整正则匹配规则，同样用占位法处理，示例代码（Python）：

import re

input_str = "这是<单独的<字符，还有<abc片段，<em>TEST</em>需要保留，另一个<xyz"

# 1. 暂存合法的转义<em>标签
temp_pattern = re.compile(r'(&lt;em&gt;.*?&lt;/em&gt;)')
placeholders = []
def replace_with_placeholder(match):
    placeholders.append(match.group(1))
    return f'__PLACEHOLDER_{len(placeholders)-1}__'

temp_str = temp_pattern.sub(replace_with_placeholder, input_str)

# 2. 删除无效的转义<或不完整片段
cleaned_str = re.sub(r'&lt;(?!em&gt;)[^;]*', '', temp_str)

# 3. 恢复占位符内容
for i, content in enumerate(placeholders):
    cleaned_str = cleaned_str.replace(f'__PLACEHOLDER_{i}__', content)

print(cleaned_str)
# 输出：这是字符，还有片段，&lt;em&gt;TEST&lt;/em&gt;需要保留，另一个

正则规则说明 #

• 匹配合法标签：(<em>.*?</em>) 或 (<em>.*?</em>)，使用非贪婪模式.*?避免误匹配多个标签的内容。
• 删除无效片段：<(?!em>)[^>]* 匹配以<开头但后续不是em>的内容，直到遇到>或字符串结束；转义版本<(?!em>)[^;]* 匹配以<开头但后续不是em>的转义片段。

内容的提问来源于stack exchange，提问作者Keannylen