如何从 ColdFusion 字符串中清除 HTML 标签？答案

【问题标题】：How can I clean HTML tags out of a ColdFusion string?如何从 ColdFusion 字符串中清除 HTML 标签？
【发布时间】：2010-11-01 12:46:15
【问题描述】：

我正在寻找一种从 ColdFusion 字符串中解析 HTML 标记的快速方法。我们正在提取一个 RSS 提要，其中可能包含任何内容。然后我们对信息进行一些操作，然后将其吐回另一个地方。目前我们正在使用正则表达式来执行此操作。有没有更好的方法来做到这一点？

<cfloop from="1" to="#ArrayLen(myFeed.item)#" index="i">
  <cfset myFeed.item[i].description.value = 
   REReplaceNoCase(myFeed.item[i].description.value, '<(.|\n)*?>', '', 'ALL')>
</cfloop>

我们正在使用 ColdFusion 8。

【问题讨论】：

标签： regex coldfusion rss html-parsing coldfusion-8

【解决方案1】：

免责声明 我强烈主张使用适当的解析器（而不是正则表达式）来解析 HTML。然而，这个问题不是关于解析 HTML，而是关于销毁它。对于超出此范围的所有任务，请使用解析器。

我认为你的正则表达式很好。只要从输入中删除所有HTML标签，使用像你这样的正则表达式是安全的。

其他任何事情都可能比它的价值更麻烦，但你可以编写一个小函数，逐个字符地循环字符串并删除标记括号内的所有内容 - 例如：

一遇到“<”字符就打开“inTag”标志，
一遇到“>”就关掉
只要标志关闭，就将字符复制到输出字符串
为了提高性能，请使用 StringBuilder Java 对象而不是字符串连接

对于应用程序的高需求部分，这可能比正则表达式更快。但是正则表达式很干净而且可能足够快。

也许这个修改过的正则表达式对你有一些好处：

<[^>]*(?:>|$)

在字符串末尾捕获未闭合的标签
[^>]* 优于 (.|\n)

当模式中没有实际字母时，不需要使用REReplaceNoCase()。不区分大小写的正则表达式匹配比区分大小写要慢。

【讨论】：

我发现 ]*> 作为可能的修改正则表达式。你的后半部分有什么优势？
正如我所说：它在字符串的末尾捕获未闭合的标签。 “(?:>|$)” 读作“结束标记括号或字符串的结尾”。正则表达式的其余部分等同于您找到的替代方法。 "[^>]*" 通常比 "(.|\n)*?" 更值得推荐，因为它更明确而且速度更快。
我建议做第二遍将与 >，因为你可能有一些剩菜。
同意。好吧，想想看，有了这个正则表达式，就不会有任何左尖括号了。如果输入真的很邪恶，可能会关闭。这些可以用“>”代替。 “

【解决方案2】：

最好的方法通常是将&lt; 强制转换为&lt; 并将&gt; 强制转换为&gt;。这样，您就不会对消息的性质做出假设。有人可能在谈论<tags> 或试图成为<<expressive>> 或描述击键<Ctrl>+C 或使用数学1 < x > 3。即使是表情符号也可以触发正则表达式<8P X>

<cfloop from="1" to="#ArrayLen(myFeed.item)#" index="i">
    <cfset myFeed.item[i].description.value = ReplaceList(myFeed.item[i].description.value, '<,>', '&lt;,&gt;')>
</cfloop>

【讨论】：

@SpliFF：关于“即使是表情也可以触发正则表达式”——不，他们不能。它们将被编码为“<8P”。
是的，他说他的数据来自 RSS 提要。如果提要是正确的，那么唯一的将来自标签，其他的将是 <和>。源提要很可能格式错误，但这将是提供者的问题（这可能会弄乱任何提要解析器）。
]]> 在 RSS 提要描述中无效吗？
@Peter：大多数 RSS 阅读器会将其解释为 HTML，并且由于没有“this”标签，因此您的结果可能因阅读器而异。这将是 bold, x < 5 ]]> 使用 CDATA，或者不使用 CDATA，您实际上必须进行双重编码，即：<b>bold</b>, x < 5
Kip，我的意思是，使用 CDATA，您可能再次处理非 XML HTML，这会将非标签带回图片中。

【解决方案3】：

HTML 不是正则语言，因此在（不受控制的）HTML 上使用正则表达式应该非常小心（如果有的话）。

例如，考虑以下 HTML 的有效段：

<img src="boat.jpg" alt="a boat" title="My boat is > everything! I <3 my boat!">

您会注意到语法高亮显示是如何令人窒息的 - 提供的现有正则表达式也是如此。

除非您可以确定您正在处理的字符串不会包含与上述类似的 HTML 代码，否则您应该避免做出假设/妥协，单一/纯正则表达式路由会迫使您这样做做。

（注意：同样的问题也适用于建议的 char-by-char 方法。）

要解决您的问题，您应该使用 DOM 解析器将您的字符串解析为 HTML 对象，循环遍历每个元素并转换为文本。

如果您有有效的 XHTML，那么您可以使用 CF 的 XmlParse() 来生成可以循环的对象。如果它可能是非 XML HTML，那么 CF8 没有内置选项，因此您必须研究 Java/etc 中的选项。

【讨论】：

啊，船编程:)

【解决方案4】：

cflib是你的朋友：stripHTML

【讨论】：

【解决方案5】：

我用这个：

REReplaceNoCase(text, "<[^[:space:]][^>]*>", "", "ALL");

99% 的情况下它都能正常工作。

【讨论】：

【解决方案6】：

<cfset a = "<b><font color = 'red'>(PCB) <1 ppm </font></b>">

<cfset b = REReplaceNoCase(a, "<[^><]*>", '', 'ALL')>

<cfdump var="#b#">

输出 b = "(PCB)

正则表达式“”将删除所有标签和这些标签内的字符，并且不会删除像这样的单个标签，它们可以用作小于或大于字符串中的符号

【讨论】：