如何用正则表达式（lex & yacc）移除HTML条件注释并保留最终标签？

首先得说，你之前用的正则<!(.*?)-->失效很正常——HTML条件注释的特殊结构，尤其是那种针对高版本IE的<!--[if gt IE 8]><!-->写法，会被这个宽泛的正则错误拆分，根本抓不住完整的注释块。

在Lex & Yacc环境里，用状态机（Lex的状态切换）比单一正则靠谱多了，它能精准处理条件注释的特殊格式。下面给你具体的实现方案：

1. 推荐：Lex状态机方案 #

先在Lex里定义一个专门处理条件注释的状态，通过状态切换识别完整注释块，同时提取其中的<html>标签，最后只保留最后一个：

%{
#include <stdio.h>
#include <stdlib.h>
#include <string.h>

// 存储提取到的最后一个html标签
char *last_html_tag = NULL;
%}

%x IF_COMMENT  // 定义条件注释专属状态

%%
// 匹配条件注释开头，切换到注释处理状态
"<!--\[if "    { BEGIN(IF_COMMENT); }

// 在注释状态中，匹配并保存html标签（覆盖旧的，只留最后一个）
<IF_COMMENT>"<html "([^>]*)>" {
    if (last_html_tag != NULL) free(last_html_tag);
    last_html_tag = strdup(yytext);
}

// 匹配条件注释结尾，切回初始状态
<IF_COMMENT>"<!\[endif\]-->" { BEGIN(INITIAL); }

// 忽略注释里的其他无关内容
<IF_COMMENT>.|\n    { /* 跳过即可 */ }

// 非注释内容直接输出
.|\n    { printf("%s", yytext); }
%%

int main() {
    yylex();
    // 最后输出保留的最后一个html标签
    if (last_html_tag != NULL) {
        printf("%s", last_html_tag);
        free(last_html_tag);
    }
    return 0;
}

2. 备选：单一正则方案（需Lex支持非贪婪匹配） #

如果你的场景必须用单一正则，适配Lex语法的完整条件注释匹配正则如下（注意转义特殊字符）：

"<!--\[if "([^]]*)\]>(.|\n)*?<!\[endif\]-->"

• <!--\[if ：精准匹配条件注释起始，转义[避免被当作字符集
• ([^]]*)：匹配注释条件（比如lte IE 7），直到遇到]停止
• (.|\n)*?：非贪婪匹配注释中间所有内容（支持换行）
• <!\[endif\]-->：匹配注释结尾，同样转义[

⚠️ 注意：Lex默认是贪婪匹配，.*?的非贪婪特性依赖Flex等现代Lex版本，老版本可能不支持，所以还是状态机方案更稳定。

效果验证 #

拿你的示例HTML输入：

<!--[if lte IE 7]> <html class="ie7 oldie" xmlns="http://www.w3.org/1999/xhtml" lang="fr" xml:lang="fr"> <![endif]--> <!--[if IE 8]> <html class="ie8 oldie" xmlns="http://www.w3.org/1999/xhtml" lang="fr" xml:lang="fr"> <![endif]--> <!--[if gt IE 8]><!--> <html xmlns="http://www.w3.org/1999/xhtml" lang="fr" xml:lang="fr"> <!--<![endif]-->

处理后会输出最后一个<html>标签：

<html xmlns="http://www.w3.org/1999/xhtml" lang="fr" xml:lang="fr">

内容的提问来源于stack exchange，提问作者Sofiane