正则表达式：HTML 中的可选 HTML 标签？答案

【问题标题】：Regex: Optional HTML tags in HTML?正则表达式：HTML 中的可选 HTML 标签？
【发布时间】：2011-09-29 16:39:11
【问题描述】：

我需要从 HTML 中解析一些值。

【问题讨论】：

【解决方案1】：

You can't parse (X)HTML with RegEx，所以不要这样做。您需要使用合适的解析器来构建文档对象模型 (DOM)。由于您使用 JavaScript 标记了您的问题，我建议您使用 jQuery 构建 HTML 的对象图，就像这样：

var $document = $(html);

这个$document 对象现在可以使用$document.find() 之类的方法来操作，以从HTML 中挖掘出您想要的元素。

【讨论】：

查看我的个人资料。我正在开发一个 JavaScript 函数来使用 RE 清理 HTML 字符串，并使用自制函数解析 HTML。我希望尽快发布它（请参阅这些答案 HTML parser 和 HTML sanitiser using RE）。一旦我的函数完成，我将它们合并到第一个问题的函数中。
@RobW，您无法使用 RegEx 清理 HTML。 HTML 不是一种常规的、可预测的语言。它是一种不规则且不可预测的语言，由如此多的活动部分和如此多的安全方面组成，因此不可能编写一个正则表达式来处理存在的数百万个边缘情况，并且将被利用来注入 XSS 攻击，该攻击将不管它有多好，都要通过你的消毒剂。
主要威胁是脚本和外部资源，我将对其进行过滤。我目前正在将我的（尚未发布的）相对到绝对 URL 转换器移植到过滤外部资源的消毒器。