如何从包含文本的 html 字符串中剥离所有内容，但使用正则表达式保留所有 <a> 标记及其数据？答案

【问题标题】：How to strip EVERYTHING from a html string including texts but leave all <a> tags and their data intact using regex?如何从包含文本的 html 字符串中剥离所有内容，但使用正则表达式保留所有 <a> 标记及其数据？
【发布时间】：2011-07-13 10:37:41
【问题描述】：

首先，我想对比我更有经验的人说，这必须在正则表达式中完成。由于奇怪的情况，无法访问 DOM 解析器。

所以我有一个完整的 HTML/XHTML 字符串，并想从中删除除链接之外的所有内容。基本上只有<a> 标签很重要。我需要标签来完整地保存它们的信息，所以 href、target、class 等，如果它是一个自终止标签或者它有一个单独的结束标签，它应该可以工作。即<a />或<a></a>

感谢大家的帮助！

【问题讨论】：

这几乎是不可能的。什么是完整的 HTML 字符串？删除元素后，您想对字符串做什么？每个浏览器都有一个 HTML 解析器；）在 HTML 中，结束 </a> 标记是必需的。
即时进行 ajax 调用并获取完整的 html 页面。我在 Firefox 扩展程序中执行此操作，因此变得更加困难。这个想法是获取 html ajax 响应，将其转储到隐藏字段中，然后我可以访问它的元素。
@Daniel，到目前为止，我的方式包括将 script 和 img 和 head 标签字符串化。但我宁愿剥离一切，只拥有链接标签！到目前为止： data = data.replace(/(?:.|\n|\r)+?/ig, ""); data = data.replace(/

标签： html regex string

【解决方案1】：

当然，您可以在 Firefox 扩展程序中解析 HTML。看看HTML to DOM，尤其是second和第三种方式。

它可能看起来更复杂，但它比正则表达式更不容易出错。

一旦你有了对解析内容的引用，你所要做的就是调用ref.getElementsByTagName('a')，你就完成了。

【讨论】：

@Amir：如果您仍然使用 jQuery，那么我认为您可以使用 $(htmlStr)。由于我不知道 HTML，我无法告诉您选择器是否正确。
是的，如果我的代码是 html 页面的一部分，但 smae 代码在使用 firefox 扩展时会失败，我会这样做。看看我在这个问题之前的最后一个问题。我认为这样会更清楚。
@Amir：在 Firefox 扩展中使用 jQuery 可能会很棘手（因为浏览器 DOM 和网站 DOM 之间存在差异）。我建议将数据加载到我链接到的文章中所示的 iframe 中，然后使用querySelectorAll 选择您想要的元素。

【解决方案2】：

result = subject.match(/<a[^<>]*?(?:\/>|>(?:(?!<\/a>).)*<\/a>)/ig);

为您提供 HTML 源代码中所有 <a> 标记的数组（即使是非法但您特别要求的自闭合标记）。够了吗？

说明：

<a         # Match <a
[^<>]*?    # Match any characters besides angle brackets, as few as possible
(?:        # Now either match
 />        # /> (self-closed tag)
|          # or 
 >         # a closing angle bracket
 (?:       # followed by...
  (?!</a>) # (if we're not at the closing tag)
  .        # any character
 )*        # any number of times
 </a>      # until the closing tag
)

【讨论】：

我尝试了 match，但我认为如果我将它作为一个可以转储到 div 的 innerHTML 中的字符串会更好。这可能吗？
不使用正则表达式。您无法将“a 标记之外的所有文本”与 JavaScript 正则表达式匹配（无后向断言）。
你可以写类似result = subject.replace(/(<a[^<>]*?(?:\/>|>(?:(?!<\/a>).)*<\/a>))|./g,'$1');的东西——但这有点没有意义，真的——你可以更容易地连接匹配的链接：result = result.join('');。
@kobi，这很棒，除了它也删除了一些链接。我不明白为什么，但是如果可以对其进行调整以保留所有链接，那就太好了！可能吗？！
@Amir - 上述模式存在一个小问题 - 尝试用 # any character 替换 .（在 # any character 中） - 在 JavaScript 中，我们没有 /s 标志，和 . 从不匹配换行符。您可能会丢失此类链接（或属性中具有 > 的链接，但这些链接很难）。它应该看起来像result = subject.replace(/(<a[^<>]*?(?:\/>|>(?:(?!<\/a>)[\s\S])*<\/a>))|[^<]+/g,'$1');。（我还将第二个 . 更改为 [^<]+ - 这只是一种优化，它不会解决实际问题。

【解决方案3】：

正则表达式看起来像这样

/\<\a.*[\/]{0,1}>(.*<\/\a>){0,1}/gm

【讨论】：

这是否适用于 replace() 函数？类似 htmlstring.replace(/\.*/gm,"");
这匹配所有的和value，所以你可以替换它们，是的。
对不起，我想我说错了，我认为这样会删除所有链接，而不是删除除链接之外的所有其他内容！我很困惑吗？
获得链接数组后，您可以将它们粘贴到新字符串中，这样您就可以删除不需要的所有内容，只保留链接