从字符串中去除标签 - HTML5 [重复]

Posted 2023-05-09

【中文标题】从字符串中去除标签 - HTML5 [重复]

【英文标题】：Strip tags from a string - HTML5 [duplicate]

【发布时间】：2015-08-31 20:10:21

【问题描述】：

以下字符串是 HTM5 中的有效 html，即使属性中带有 >：

'<span src="whatever.png" data-info="hello>there">text</span>';

几乎allsolutionsproposed在使用以下变体之前：

replace( /<.*?>/g, '' )

由于属性中的> 而失败。

还可以选择将内容写入虚拟元素，然后读回textContent，但在处理大量数据时速度非常慢。

所以，我想知道是否有人有任何建议？删除属性 - 或者至少是在第一遍正则表达式中删除带有匹配引号的属性值，然后第二遍去除标签似乎是要走的路，但我无法完全理解它！

【问题讨论】：

正则表达式引擎不是词法分析器。它不是为做这些事情而设计的，并且通常在边缘情况下失败。你的只是一个例子。此外，如果您正在寻找速度，那么正则表达式无论如何都不是要走的路。自己解析。

正确的答案是不使用正则表达式。但是，根据您的预期输入，您可能能够完成它。例如，对于您的特定示例，您可以查找> 和</ 之间的文本，但这不是一个通用的解决方案。使用实际的 html 解析器。

而使用 Jquery，这就像$('<span src="whatever.png" data-info="hello>there">text</span>').text() 一样简单。但也许您可以详细说明您在writing the content to a dummy element and then reading back the textContent 时尝试做什么以及您定义为“非常慢”以及什么是“大量数据”？

另一种方式：jsfiddle.net/quhpek00/2

至少你可以将它链接到一个有一半机会的正则表达式（不是那个糟糕的）。 <(?:(?:/?\w+\s*/?)|(?:\w+\s+(?:(?:(?:"[\S\s]*?")|(?:'[\S\s]*?'))|(?:[^>]*?))+\s*/?)|\?[\S\s]*?\?|(?:!(?:(?:DOCTYPE[\S\s]*?)|(?:\[CDATA\[[\S\s]*?\]\])|(?:--[\S\s]*?--)|(?:ATTLIST[\S\s]*?)|(?:ENTITY[\S\s]*?)|(?:ELEMENT[\S\s]*?))))>

【参考方案1】：

我相信这个正则表达式应该适用于您的目的：

/<([^\"\'>]*|\"([^"\\]|\\.)*\"|\'([^'\\]|\\.)*\')*>/g

基本上，它匹配除"、' 或> 之外的任何字符，或者它匹配" 或' 后跟任何字符，后跟另一个" 或'。

只需以与原始问题相同的方式使用它 - string.replace(/<([^\"\'>]*|\"([^"\\]|\\.)*\"|\'([^'\\]|\\.)*\')*>/g, '');

【讨论】：

这不起作用。 "<span>test</span>".replace(/<([^\"\'>]*|\"[^"]*\"|\'[^']*\')*>/, ''); => "test</span>"

@meagar 抱歉，我忘了在示例中添加全局标志。它现在应该可以工作了。

还是不行。 '<span src="\\"what">test</span>'.replace(/<([^\"\'>]*|\"[^"]*\"|\'[^']*\')*>/g, ''); => "<span src="\"what">test"

@meagar 我再次对其进行了更新以考虑转义变量（尽管在制作该正则表达式时它们甚至没有出现在我的脑海中）