从 html 中删除匹配文本的 href 链接，忽略使用正则表达式的内部链接标签答案

【问题标题】：Remove href link from html that matches text ignoring inner link tags using regex从 html 中删除匹配文本的 href 链接，忽略使用正则表达式的内部链接标签
【发布时间】：2014-01-30 13:09:24
【问题描述】：

知道所有SO answers that warn against Regex to parse html 我有一个场景，解析器和 DOM 技巧是不可能的，需要使用正则表达式来删除具有定义文本值的标签和内容。例如在：

<div>foo bar</div
<a href="http://example.com">some text</a>
<div>foo bar foo bar</div>

我目前正在使用这个函数来解析出匹配的链接

/**
 * Removes links from html text
 * @param {string} html The html to be cleaned.
 * @param {string} exclude The string of link text to remove.
 * @returns {string} Cleaned html.
 */
function cleanBody(html, exclude){
  html = html.replace(/\r?\n|\r|\t|/g, '');
  var re = '<a\\b[^>]*>('+exclude+')<\\/a>';
  return html.replace(new RegExp(re,'ig'),"");
}

在上面的示例中，我将传递 html 和字符串“一些文本”来删除它。这适用于我的场景，直到包含其他标记，例如

<div>foo bar</div
<a href="http://example.com"><font color="#1122cc">some text</font></a>
<div>foo bar foo bar</div>

如何改进正则表达式（或函数）以考虑额外的标记（不使用 DOM、jQuery 或其他库）？

【问题讨论】：

为什么 解析器和 DOM 技巧不可能？
如何创建一个单独的 div 元素并将其 innerHTML 属性设置为字符串？这对你有用吗？你想定位什么“附加标记”？
@MCL 我在 Google Apps 脚本中工作，它使用 JavaScript 语法但执行服务器端 developers.google.com/apps-script
HTML 来自哪里？我从未使用过 Google Apps 脚本，但似乎 UrlFetchApp 返回可解析的 HTML。这是example。
@MCL 来自电子邮件 (GmailService)。我确实考虑过使用 XML.parse 但 cmets 建议 find and replace 对于这种情况更好stackoverflow.com/questions/16687273/…

标签： javascript regex google-apps-script

【解决方案1】：

以下正则表达式应该适用于您提出的具体情况：

var re="<a\\b[^>]*>(<[^>]+>)*("+exclude+")(<(?!/a>)[^>]+>)*</a>";

在开始锚标记匹配之后，添加匹配零个或多个标记的模式，无论它们是开始标记还是结束标记，有效或无效：(<[^>]+>)*
在匹配排除文本之后，添加一个匹配零个或多个标签的模式，无论它们是开始标签还是结束标签，有效或无效，但是 - 使用否定前瞻 - 不匹配结束锚标签：(<(?!/a>)[^>]+>)*

请注意，这个正则表达式在它的工作方式上仍然不是很“聪明”。它不会尝试匹配平衡标签或过滤无效的有效标签名称，因此将匹配以下无效 HTML：

<a href="http://example.com">some text</font></span></div></a>
<a href="http://example.com"><div>some text</font></span></div></a>
<a href="http://example.com"><foo>some text</div></a>

另外，请注意，以下无效的 HTML 仅匹配到结束锚标记：

<a href="http://example.com"><div>some text</font></a></div>

关闭的</div> 将不匹配。

小心嵌套的锚点。以下将匹配（注意只有一个闭合锚标记匹配）：

<a href="http://foo.org"><a href="http://example.com">some text</a>

可能还有其他数据与我没有想到的这种模式意外匹配。

从好的方面来说，嵌套标签不必包装排除文本。将匹配以下内容：

<a href="http://example.com"><span></span>some text<div></div></a>
<a href="http://example.com">some text<font></font></a>

有一些机会可以使正则表达式更加灵活和/或安全，但这超出了您所要求的范围。

【讨论】：