Powershell 删除字符串内容中的 HTML 标签

Posted 2023-03-05

【中文标题】Powershell 删除字符串内容中的 HTML 标签

【英文标题】：Powershell remove HTML tags in string content

【发布时间】：2015-07-07 22:33:02

【问题描述】：

我有一个大的 html 数据字符串分成小块。我正在尝试编写一个 PowerShell 脚本来删除所有 HTML 标记，但发现很难找到正确的正则表达式模式。

示例字符串：

<p>This is an example</br>of various <span style="color: #445444">html content</span>

我尝试过使用：

$string -replace '\<([^\)]+)\>',''

它适用于简单的示例，但上面的示例捕获整个字符串。

对实现这一目标的最佳方法有什么建议吗？

提前致谢

【参考方案1】：

为了解决变音符号和特殊字符，我使用了一个 html 对象。这是我的功能：

Function ConvertFrom-Html

    <#
        .SYNOPSIS
            Converts a HTML-String to plaintext.

        .DESCRIPTION
            Creates a HtmlObject Com object und uses innerText to get plaintext. 
            If that makes an error it replaces several HTML-SpecialChar-Placeholders and removes all <>-Tags via RegEx.

        .INPUTS
            String. HTML als String

        .OUTPUTS
            String. HTML-Text als Plaintext

        .EXAMPLE
        $html = "<p><strong>Nutzen:</strong></p><p>Der&nbsp;Nutzen ist &uuml;beraus gro&szlig;.<br />Test ob 3 &lt; als 5 &amp; &quot;4&quot; &gt; &apos;2&apos; it?"
        ConvertFrom-Html -Html $html
        $html | ConvertFrom-Html

        Result:
        "Nutzen:
        Der Nutzen ist überaus groß.
        Test ob 3 < als 5 ist & "4" > '2'?"


        .Notes
            Author: Ludwig Fichtinger FILU
            Inital Creation Date: 01.06.2021
            ChangeLog: v2 20.08.2021 try catch with replace for systems without Internet Explorer

    #>

    [CmdletBinding(SupportsShouldProcess = $True)]
    Param(
        [Parameter(Mandatory = $true, Position = 0, ValueFromPipeline = $true, HelpMessage = "HTML als String")]
        [AllowEmptyString()]
        [string]$Html
    )

    try
    
        $HtmlObject = New-Object -Com "HTMLFile"
        $HtmlObject.IHTMLDocument2_write($Html)
        $PlainText = $HtmlObject.documentElement.innerText
    
    catch
    
        $nl = [System.Environment]::NewLine
        $PlainText = $Html -replace '<br>',$nl
        $PlainText = $PlainText -replace '<br/>',$nl
        $PlainText = $PlainText -replace '<br />',$nl
        $PlainText = $PlainText -replace '</p>',$nl
        $PlainText = $PlainText -replace '&nbsp;',' '
        $PlainText = $PlainText -replace '&Auml;','Ä'
        $PlainText = $PlainText -replace '&auml;','ä'
        $PlainText = $PlainText -replace '&Ouml;','Ö'
        $PlainText = $PlainText -replace '&ouml;','ö'
        $PlainText = $PlainText -replace '&Uuml;','Ü'
        $PlainText = $PlainText -replace '&uuml;','ü'
        $PlainText = $PlainText -replace '&szlig;','ß'
        $PlainText = $PlainText -replace '&amp;','&'
        $PlainText = $PlainText -replace '&quot;','"'
        $PlainText = $PlainText -replace '&apos;',"'"
        $PlainText = $PlainText -replace '<.*?>',''
        $PlainText = $PlainText -replace '&gt;','>'
        $PlainText = $PlainText -replace '&lt;','<'
    

    return $PlainText

例子：

"<p><strong>Nutzen:</strong></p><p>Der&nbsp;Nutzen ist &uuml;beraus gro&szlig;.<br />Test ob 3 &lt; als 5 ist &amp; &quot;4&quot; &gt; &apos;2&apos;?" | ConvertFrom-Html

结果：

Nutzen:
Der Nutzen ist überaus groß.
Test ob 3 < als 5 ist & "4" > '2'?

【讨论】：

路德维希，你太棒了！！

【参考方案2】：

对于纯正则表达式，它应该像<[^>]+> 一样简单：

$string -replace '<[^>]+>',''

Debuggex Demo

请注意，某些 HTML cmets 或 <pre> 标记的内容可能会失败。

相反，您可以使用HTML Agility Pack (alternative link)，它专为在 .Net 代码中使用而设计，我之前已在 PowerShell 中成功使用过：

Add-Type -Path 'C:\packages\HtmlAgilityPack.1.4.6\lib\Net40-client\HtmlAgilityPack.dll'

$doc = New-Object HtmlAgilityPack.HtmlDocument
$doc.LoadHtml($string)
$doc.DocumentNode.InnerText

HTML 敏捷包适用于不完美的 HTML。

【讨论】：

您最终使用的是正则表达式还是解析器？

我使用了正则表达式，到目前为止它运行良好，因为我的脚本已经很大，我正在手动解析 html，但是库看起来很好，我会在我的其他项目中尝试，谢谢

这里还有很多关于敏捷包的其他问题，因此您可以在此处找到更多帮助或发布相关信息。其中许多将是 C# 特定的，但它们仍然适用于 Powershell 使用。这是一个相当不错的库，但一定要复习 XPath 以充分利用它。

HTML Agility Pack 的链接对我来说已损坏。它在 nuget 上可用：nuget.org/packages/HtmlAgilityPack

donothingsuccessfully 该链接仍然对我有效，但添加了您的作为替代；谢谢！

【参考方案3】：

你可以试试这个：

$string -replace '<.*?>',''

【讨论】：

小心使用 .* 像这样。这是一种效率较低的匹配方式。如果您知道结束分隔符，则所选答案中的否定字符集 ( [^>] ) 意味着引擎只是在寻找一个字符来停止匹配，而不是稍后回溯以匹配“>”。