html - 去除除链接之外的所有 HTML 标签

Question

我正在尝试编写一个正则表达式来去除除链接之外的所有 HTML（分别是<a href和</a>标签。它不必是 100% 安全的（我不担心注入攻击或任何事情，因为我正在解析已经被批准并发布到SWF电影中）。

我使用的原始“条形标签”正则表达式是<(.|\n)+?>，我尝试将其修改为<([^a]|\n)+?>，但这当然将允许任何带有a的标签，而不是开头带有空格的标签。

并不是说它真的很重要，但如果有人想知道我正在用ActionScript 3.0为Flash电影编写这个。

score 27 · Accepted Answer

<(?!\/?a(?=>|\s.*>))\/?.*?>

试试这个。p 标签有类似的东西。为他们工作所以不明白为什么不。使用负前瞻来检查它是否不匹配 a（以可选 / 字符为前缀），其中（使用正前瞻）a（带有可选 / 前缀）后跟 > 或空格、填充物然后 >。然后匹配到下一个 > 字符。把它放在一个替代品中

s/<(?!\/?a(?=>|\s.*>))\/?.*?>//g;

这应该只留下打开和关闭标签

score 1 · Accepted Answer

我一直在谈论它，但我无法经常推荐regexr。测试这种类型的东西真是太棒了。

score 1 · Accepted Answer

一般来说，这种方法存在问题。正则表达式最适合“平面”文本匹配 - 嵌套数据将正则表达式引擎推入非设计区域。一般的 HTML 解析需要一个解析器而不是一个正则表达式引擎（如果您想要完整的技术细节，请谷歌了解常规语言和无上下文语言之间的区别）。

通过将 /</ 和 />/ 替换为空字符串或其实体等效项很容易去除所有标签，但使用正则表达式选择性地过滤 HTML 将容易受到各种意外或恶意输入的破坏。

score 0 · Accepted Answer

0

干得好：

{<(?!i|b|h[1-6]|/i|/b|/h[1-6][\s|>|/])[^>]*>}

于 2009-12-28T08:06:21.733 回答

score -1 · Accepted Answer

-1

怎么样

<[^a](.|\n)+?>

?

于 2008-09-04T16:09:10.030 回答

score -2 · Accepted Answer

在这里，我包括所有<a>标签并输出一个整理好的版本：

cat input.htm | tr -d '\n' | php -r '$input=fgets(STDIN); echo strip_tags($input,"<a><p><font><b><i><sup>");' | tidy -i -wrap 0 -o output.htm

6 回答 6