Question

假设我有一个字符串，其中包含大量文本和（x）HTML标记。我想删除给定标记的所有实例（以及该标记的任何属性），保留所有其他标记和文本。完成这项任务的最佳正则表达方式是什么？

编辑补充：哦，我感谢使用正则表达式来解决这个问题不是最好的解决方案。但是，为了便于讨论，我们可以假设这个特定的技术决策比我的工资等级高出一些水平吗？ ;）

Answer 1

尝试使用正则表达式解析HTML通常是非常坏主意。使用解析器，应该有一个可用于您选择的语言。

你可能能够逃脱这样的事情：

</?tag[^>]*?>

但这完全取决于你正在做什么。例如，这不会删除标记的内容，并且可能会使HTML处于无效状态，具体取决于您尝试删除的标记。它也可以很好地处理无效的HTML（并且有很多相关的内容）。

改为使用解析器：）

Answer 2

我认为这里发生了一些严重的反正则表达偏见。很多时候，如果使用完整的解析器没有意义，可能需要从某个标记中删除特定标记。

当然有时解析器可能是最好的选择，但是如果你正在寻找正则表达式那么：

<script[^>]*?>[\s\S]*?<\/script>

这将删除脚本标记及其内容。确保使用不区分大小写的匹配。

如果您不想删除标签的内容，可以使用：

<\/?script[^>]*?>

javascript中使用的一个例子是：

function stripScripts(markup) {
  return markup.replace(/<script[^>]*?>[\s\S]*?<\/script>/gi, '');
}

var safeText = stripScripts(textarea.value);

Answer 3

我认为可能是Raymond Chen（blogs.msdn.com/oldnewthing），我在这里解释（严重！）......但是，你想要一个正则表达式？ “现在你有两个问题”......：=）

如果字符串格式正确（X）HTML，您可以将其加载到解析器（HTML / XML）中并使用它来删除任何有问题的节点吗？如果它不是很好，那么它会变得有点棘手，但是，我怀疑RegEx不是最好的方法......

Answer 4

单个标签可以出现多种方式，更不用说编码，变体等我强烈建议你重新考虑这种方法......无论如何，你真的不应该直接处理HTML。

Answer 5

离开我的头顶，我会说这会让你开始朝着正确的方向前进。

s/<TAG[^>]*>([^<]*)</TAG[^>]*>/\1

基本上找到起始标记，标记之间的任何文本，然后是结束标记。用标签之间的任何东西替换整个东西。

Answer 6

更正回答：

</?TAG\b[^>]*?>

因为Dans的回答会删除<br />，但您只想要<b>

Answer 7

这是我为此目的编写的正则表达式，它可以在更多情况下工作：

</?(?(?=b|img|a|script)notag|[a-zA-Z0-9]+)(?:\s[a-zA-Z0-9\-]+=?(?:(["",']?).*?\1?)?)*\s*/?>

Answer 8

虽然使用正则表达式来解析HTML通常不受欢迎或被忽视，但您几乎肯定不想编写自己的解析器。

然而，您可以使用一些内置或库函数来实现您的需求。