如何编写正则匹配除HTML标签（含</>编码）外的文本适配Ruby gsub

因为Ruby正则不支持*SKIP/*F专属语法，我们采用优先匹配标签直接保留、剩余内容做自定义处理的逻辑实现需求，可同时兼容普通<...>标签和<...>格式的编码标签。

替换标签外空格的代码示例 #

# 你的输入文本
input = 'Hi <p class="hello">
there, how are you
&amp;lt;/p&amp;gt; <span class="test">other content</span>'

result = input.gsub(/(?:<[^>]*>|&amp;lt;(?:(?!&amp;gt;).)*&amp;gt;)|[^<&]+/) do |match|
  # 匹配到标签直接原样返回，不修改内部空格
  if match.start_with?('<') || match.start_with?('&amp;lt;')
    match
  else
    # 非标签内容，按需替换空格，示例为删除所有空格，可自定义替换规则
    match.gsub(/\s+/, '')
  end
end

# 输出结果：Hi&amp;lt;p class="hello"&amp;gt;there,howareyou&amp;lt;/p&amp;gt;<span class="test">othercontent</span>
puts result

仅提取标签外文本的代码示例 #

如果不需要替换，只需要提取所有标签外的文本片段，可以用scan方法实现：

extracted = input.scan(/(?:<[^>]*>|&amp;lt;(?:(?!&amp;gt;).)*&amp;gt;)|([^<&]+)/).flatten.compact
# 提取结果为 ["Hi ", "\nthere, how are you\n", "other content"]

注意事项 #

如果你的编码标签是单层转义格式（文本里直接显示为<而非<），只需要把正则中的<替换为<、>替换为>即可。该方案适合结构规范的类HTML文本，极端场景（如属性值内嵌标签边界符号）可根据实际情况调整正则的匹配规则。

内容的提问来源于stack exchange，提问作者raquelhortab