正则表达式剥离HTML标签内容有条件

我需要这个字符串<a class=BC_ANCHOR href="http://www.msn.com" onClick=something target=_blank>MSN</a>地带变成<a href="http://www.msn.com">MSN</a> - 然而这正则表达式\s+\w+[^href]=\S*\w?在闭幕式>不会停止，而是跑到</a>结束 - 有人可以帮助我得到这个正则表达式停止在关闭>？正则表达式剥离HTML标签内容有条件

谢谢！

来源

2012-03-02 Mike Perrenoud

该正则表达式在许多方面看起来不正确，例如'[^ href]'意思是“匹配除了h，r，e或f之外的任何其他任何东西的_single_字符”。代码将运行的上下文是什么？（因为如果你正在提取网页上的元素，那么有更多的方法去解决它。） – nnnnnn 2012-03-02 02:04:36

'[^ href]'表示除了'h'，'r'，'e'或'f'之外的任何字符。它并不意味着不是'href'。这可能会像'（（？！href \ b）[az] +）' – 2012-03-02 02:07:59

您可能需要[更漂亮的模式]（http://stackoverflow.com/questions/4231382/regular-expression-pattern-not -matching任何地方，在串/ 4234491＃4234491）。 – tchrist 2012-03-02 02:12:10

通过将\w+[^href]你仍然允许之类的东西<a href ="...，可以排除h，r，e，或f结束标记（即不一定href）。

尝试

\s+(?!href)[a-zA-Z+]+ *= *(?:"[^"]+"|\w+)

说明：(?!href)是负先行并防止标签被href。

[a-zA-Z]+是你的标签。 '='前后有空格。我限于字母，因为我很确定属性名称不能包含数字或下划线（其中\w将允许）。

(?:"[^"]+"|\w+)表示标记的值可以是双引号内的任何内容，也可以是未引用的一组\w+。

这些都阻止匹配超出>，除非您的正则表达式格式错误并且您有（例如）<a name="asdf>（注意缺失的结束"）。

来源

2012-03-02 02:10:20

很好的解释。我会投两次如果我可以:) – 2012-03-02 02:13:37

这是工作真棒 - 除了我刚刚发现的一个场景。有一个链接看起来像'MSN'，出于某种原因'（事件）'没有得到匹配。我试着将'\ w +'改成'。*'，但是选择了所有的东西。正则表达式，你为什么恨我？ – 2012-03-02 02:20:04

正则表达式不恨你，你只需要学习贪婪和非贪婪。 '。*'尽可能匹配（所以会一直到最后一个'>'）。为了使这种非贪婪，即尽可能匹配*小*，请尝试'。*？'。或者，您可以执行'[\ w（）] +'来允许'\ w'和括号。（请记住，'\ w'是'[a-zA-Z0-9_]'（粗略地说，不确定区域设置和重音字母）。 – 2012-03-02 02:41:59

如果你真的想使用正则表达式，我的建议是反过来做。将href和链接文本解压缩到组，然后再次生成标记。

href="([^"]+)"[^>]*>([^<]+)<\/a>

有人提到使用DOM获取值，我也同意如果你使用JS是最好的选择。

来源

2012-03-02 02:05:13

由于某种原因，Regex选择了整个字符串 - 当我需要做的是将所有'A'标签除了'href'并且呈现该字符串。 – 2012-03-02 02:08:12

不要试图使用正则表达式来消毒HTML。安全后果较差的方式可能会导致错误发生。

您的问题可能存在DOM解决方案，如果没有，那么有些库已经由编写解析器为生的人进行了全面测试和审查。

无耻插头：http://code.google.com/p/google-caja/wiki/JsHtmlSanitizer

来源

2012-03-02 02:10:21

+1显然，下来的选民没有足够的理由说出他们的答案是好建议 – RobG 2012-03-02 02:16:17

你为什么要用JS消毒HTML？为什么不如果需要的话，你需要做服务器端吗？ – mpen 2012-03-02 03:11:38

@Mark，如果你从web服务调用中获得HTML，但不信任该服务在你的域中运行代码，那么你必须自己清理它，你可以避免延迟 – 2012-03-02 04:39:37

你处理HTML或DOM元素？

更容易处理元素。如果你想要的元素只具有href属性，那么为什么不喜欢：

function fixLink(el) { 
    var newLink = document.createElement('a'); 
    newLink.href = el.href; 
    newLink.appendChild(document.createTextNode(el.textContent || el.innerText)); 
    el.parentNode.replaceChild(newLink, el); 
}

即使你正在处理HTML，你可以将其插入一个新的元素（比如一个div），做以上，然后获取剩余的innerHTML。

来源

2012-03-02 02:14:45 RobG

我想探讨一下，我解析了评论栏的链接，评论最初是以HTML格式显示给用户的，但是当用户想要编辑评论时，我需要将其转换去文字并去掉一些装饰我添加特定于应用程序。考虑到这一点，有没有更好的方式来与DOM做到这一点呢？ – 2012-03-02 18:41:32

正则表达式剥离HTML标签内容有条件

回答

相关问题