如何使用regex从p标签中选取文本且不包含a标签内的链接内容

实现思路 #

首先明确：正则并不是解析HTML的最优方案，标签嵌套、不规范的HTML写法都可能导致匹配失效，仅在你确认输入HTML结构非常规整的场景下使用该方案。

适配需求的正则写法 #

<p.*?>(?:(?!<a\s|<\/a>).|(?:<a\b[^>]*>.*?<\/a>))*?(test)(?:(?!<a\s|<\/a>).|(?:<a\b[^>]*>.*?<\/a>))*?<\/p>

匹配逻辑说明 #

1. 核心是用分支匹配跳过所有完整的a标签块：每次匹配要么命中一个不属于a标签开头/结尾的普通字符，要么直接匹配一整个完整的<a>...</a>块忽略不计
2. 你要定位的test关键词放在两个分支匹配块中间，保证命中的test一定不在a标签内部
3. 你可以根据需求调整捕获范围，也可以直接拿到p标签内排除所有a标签后的全部文本内容

测试效果 #

对你给出的测试用例，如果p标签内的test只出现在a标签内部，该正则不会产生匹配结果；如果test同时存在于a标签内外，仅会命中a标签外的部分。

限制说明 #

• 仅支持a标签无嵌套的场景，不符合HTML规范的嵌套a标签会导致匹配失效
• 如果需要排除p标签内更多其他标签的内容，可以参照该逻辑扩展排除规则

内容的提问来源于stack exchange，提问作者Tabitha Mn