从字符串中删除 HTML 的最佳方法是什么？答案

【问题标题】：What's the best way to remove HTML from a string?从字符串中删除 HTML 的最佳方法是什么？
【发布时间】：2011-05-31 20:06:21
【问题描述】：

我最近开始在 ReReplace() 函数中使用以下 RegEx 来使用 ColdFusion 从字符串中去除 HTML 标记。 请注意：我没有将其用作防止 XSS 或 SQL 注入的保护；这只是为了在字符串显示在 HTML 标题属性中之前从字符串中删除现有且安全的 HTML。

REReplaceNoCase(str,"<[^>]*>","","ALL")

在一个半相关的问题I asked how to modify my RegEx 中包含空格和换行符。有人告诉我，为此目的使用 RegEx 是不合适的，this post was referenced as an explanation.

我强烈怀疑您发布的正则表达式实际上不能正常工作。我建议您不要使用正则表达式来解析 HTML，因为 HTML 不是常规语言。请改用 HTML 解析器。 (Mark Byers)

如果这是真的，那么在字符串显示之前从字符串中删除 HTML 的合适工具是什么？（请记住，HTML 已经是安全的；它在进入数据库之前已经过清理）。

我知道HTMLEditFormat() 和HTMLCodeFormat()，但是这两个函数不能满足我的需要；前者用它们的 HTML 转义等效项替换特殊字符，而后者完全一样，但也将字符串包装为 <pre> 标记。

我想做的是在显示 HTML 标题属性<a title="My string without HTML goes here">...</a> 之前从 HTML 和换行符中清除字符串

有时不需要 HTML。例如，假设您想显示一篇文章的摘录，但没有与它一起存储的 HTML。

【问题讨论】：

【解决方案1】：

我不同意你引用的推理。虽然 HTML 不应该使用正则表达式进行解析，但剥离标签对它们来说是完美的。

但是你会想要比<[^>]*>更加小心，因为那会变成

<span title=">">...</span>

进入病态

">...</span>

所以你需要像<([^">]|"[^"]*"|'[^']*')*> 这样的东西。您可以使用字符替换而不是正则表达式来去除换行符，但如果您更喜欢正则表达式，您可以使用 \n 之类的东西（或者甚至使用交替将其与上述内容结合起来，但这效率更低）。

【讨论】：

查尔斯，非常感谢您的解释。我将把这个开放一段时间，看看我是否可以鼓励任何进一步的投入。您能否澄清使用“字符替换”的含义？是否有特定的功能可以做到这一点？任何关于这个概念的进一步阐述将不胜感激。
我在想Replace(str, '\n', '', 'all')。
Charles，您制作的字符串的问题是我无法使用它。双引号弄乱了函数并导致错误，因为整个正则表达式字符串必须放在双引号之间……知道我该如何解决这个问题吗？
反引号：输入"<([^\">]|\"[^\"]*\"|'[^']*')*>"。
使用 cfsavecontent 将正则表达式保存到变量中。例如

【解决方案2】：

使用 chilkat html 解析器 chilkat。我们在我的学术项目中使用它来从 html 页面中获取所有内容和超链接，以构建一个基本的搜索引擎。

【讨论】：

【解决方案3】：

如果要在标题中包含 HTML sn-p，您可能可以使用正则表达式和足够的测试覆盖所有基础。

不过，作为一般提示，如果您必须处理更大的 sn-p，我会使用 Java 的 XML/DOM 方式，或者通过使用 dom4j 解析并抓取文本，或者更有可能通过使用 String 构建结果SAX 解析器。

[编辑]当我第一次回答时，我正要写 HTML 必须是合理的格式，但假设您至少对源有一点控制。但是，如果您没有它，我将快速链接到 JTidy 和 TagSoup，当然，两者都没有测试，但它们绝对是我要测试的第一件事，以使用真实世界的 HTML CF。

【讨论】：