Ruby Regex捕获两个字符串之间的所有内容（包括）

我正在尝试清理一些HTML并删除一个标签（我真的想避免使用nokogiri等）。 所以我有以下字符串出现我想要摆脱：

Some junk here that's different every time 

这在我的字符串中只显示一次，我想找到一种方法将其删除。 我已经尝试用正则表达式来捕获它，但我找不到一个有效的。

我已经尝试/

(.*)/m这样/

(.*)/m ，但它也会匹配并包含文档中的任何其他

标记，我不想要。

关于如何处理这个的任何想法？

Answer 1

我相信你正在寻找一个非贪婪的正则表达式，像这样：

 /
(.*?)<\/div>/m 

注意添加? 。 现在，捕获组将捕获尽可能少（非贪婪），而不是尽可能多（贪婪）。

Answer 2

因为它增加了另一个依赖性并减慢了我的工作量。 使事情变得更复杂。 此外，此解决方案不仅适用于HTML标记。 我的开始和结束字符串可以是任何东西。

我曾经以相同的方式思考，直到我找到写蜘蛛和网站分析的工作，然后编写一个大的RSS聚合系统 – 解析器是摆脱这种疯狂的唯一途径。 没有它，工作永远不会完成。

是的，正则表达式是好的和有用的，但有龙等着你。 例如，这个常见字符串会导致问题：

 '
foo
' 

正则表达式/

(.*?)<\/div>/m

将返回：

 "
foo
" 

这种格式错误但可渲染的HTML：

 
foo 

更糟糕的是：

 '
foo'[/
(.*?)<\/div>/m] => nil 

然而，解析器可以处理两者：

 require 'nokogiri' [ '
foo
', '
foo' ].each do |html| doc = Nokogiri.HTML(html) puts doc.at('div.the_class').text end 

输出：

 foo foo 

是的，你的开始和结束字符串可以是任何东西，但有很多公认的工具可用于解析HTML / XML，随着你的任务增长，使用正则表达式的弱点将变得更加明显。

而且，是的，解析器可能会失败。 我不得不处理解析器爆炸严重错误的RSS源，但是一些预处理解决了这个问题。