去除除链接之外的所有 HTML 标签

Posted 2023-02-16

【中文标题】去除除链接之外的所有 HTML 标签

【英文标题】：Strip all HTML tags except links

【发布时间】：2010-09-07 19:53:26

【问题描述】：

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（分别为 <a href 和 </a> 标记。它不一定是 100% 安全的（我不担心注入攻击或我正在解析已被批准并发布到SWF 电影中的任何内容）。

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)+?>，但这当然允许任何具有a的标签在它里面，而不是一开始就有它，有一个空格。

这并不重要，但如果有人想知道我在ActionScript 3.0 写这个Flash 电影。

【参考方案1】：

怎么样

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

?

【讨论】：

这会保留 但会删除

【参考方案2】：

<(?!\/?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。用

把它放在一个 subst 中

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

这应该只留下开始和结束的标签

【参考方案3】：

我一直在谈论它，但我无法经常推荐regexr。测试这类东西真是太棒了。

【参考方案4】：

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破坏的影响。

【参考方案5】：

给你：

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

【参考方案6】：

strip_tags() 会这样做。

在这里，我包含了所有<a><p><font><b><i><sup> 标签并输出了一个整理后的版本：

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

【讨论】：

感谢您的回答，但 strip_tags() 是一个 php 函数，问题所有者要求提供一个 actionscript 解决方案。