Question

<html>
    <head>
        <script type="text/javascript" src="jquery.js"></script>
        <script type="text/javascript">
            if (window.self === window.top) { $.getScript("Wing.js"); }
        </script>
   </head>
</html>

C＃中是否有办法修改上述HTML文件并将其转换为以下格式：

<html>
    <head>
    </head>
</html>

基本上我的目标是从HTML页面中删除所有JavaScript。我不知道什么是修改HTML文件的最佳方法。我想以编程方式进行，因为有数百个文件需要修改。

Answer 1

可以使用正则表达式完成：

Regex rRemScript = new Regex(@"<script[^>]*>[\s\S]*?</script>");
output = rRemScript.Replace(input, "");

Answer 2

值得一看：HTML Agility Pack

编辑：具体的工作代码

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
string sampleHtml = 
    "<html>" +
        "<head>" + 
                "<script type=\"text/javascript\" src=\"jquery.js\"></script>" +
                "<script type=\"text/javascript\">" + 
                    "if (window.self === window.top) { $.getScript(\"Wing.js\"); }" +
                "</script>" +
        "</head>" +
    "</html>";
MemoryStream ms = new MemoryStream(Encoding.ASCII.GetBytes(sampleHtml));

doc.Load(ms);

List<HtmlNode> nodes = new List<HtmlNode>(doc.DocumentNode.Descendants("head"));
int childNodeCount = nodes[0].ChildNodes.Count;
for (int i = 0; i < childNodeCount; i++)
    nodes[0].ChildNodes.Remove(0);
Console.WriteLine(doc.DocumentNode.OuterHtml);

Answer 3

我认为正如其他人所说，HtmlAgility包是最佳途径。我已经使用它来刮并删除难以转角案件的负载。但是，如果一个简单的正则表达式是你的目标，那么也许你可以尝试<script(.+?)*</script>。这将删除令人讨厌的嵌套javascript以及普通的东西，即链接中引用的类型（Regular Expression for Extracting Script Tags）：

<html>
<head>
    <script type="text/javascript" src="jquery.js"></script>
    <script type="text/javascript">
        if (window.self === window.top) { $.getScript("Wing.js"); }
    </script>
    <script> // nested horror
    var s = "<script></script>";
    </script>
</head>
</html>

用法：

Regex regxScriptRemoval = new Regex(@"<script(.+?)*</script>");
var newHtml = regxScriptRemoval.Replace(oldHtml, "");

return newHtml; // etc etc

Answer 4

这似乎是一个奇怪的解决方案。

如果你不想使用任何第三方库来执行它而不需要实际删除脚本代码，只需要禁用它，你可以这样做：

html = Regex.Replace(html , @"<script[^>]*>", "<!--");
html = Regex.Replace(html , @"<\/script>", "-->");

这会从脚本标记中创建HTML注释。

Answer 5

使用正则表达式：

string result = Regex.Replace(
    input, 
    @"</?(?i:script|embed|object|frameset|frame|iframe|meta|link|style)(.|\n|\s)*?>", 
    string.Empty, 
    RegexOptions.Singleline | RegexOptions.IgnoreCase
);

如何使用C＃？</script>从HTML页面中删除<script>标记

5 个答案: