Question

意识到所有SO answers that warn against Regex to parse html我有一个场景，其中解析器和DOM技巧是不可能的，并且需要使用正则表达式来删除具有已定义文本值的标记和内容。例如：

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

我目前正在使用此功能来解析匹配的链接

/**
 * 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'),"");
}

在上面的例子中，我传递了html和字符串'some text'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）？

Answer 1

以下正则表达式适用于您提供的特定情况：

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

在打开锚标记的匹配后，添加一个匹配零个或多个标记的模式，无论它们是打开标记还是结束标记，有效还是无效：(<[^>]+>)*
在匹配排除文本后，添加一个匹配零个或多个标签的模式，无论它们是打开标签还是关闭标签，有效还是无效，但是 - 使用否定前瞻 - 与结束锚标签不匹配：(<(?!/a>)[^>]+>)*

请注意这个正则表达式在其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>

此外，请注意，以下无效HTML与 仅匹配结束锚标记 ：

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

结束</div>将不匹配。

小心嵌套锚点。以下内容将匹配（注意只有一个关闭锚标记匹配）：

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

可能还有其他数据出乎意料地与我未曾想到过的模式相匹配。

在正面，嵌套标签不必包装排除文本。以下内容将匹配：

<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灵活和/或更安全，但这超出了您所要求的范围。

从html中删除href链接，该链接匹配使用正则表达式忽略内部链接标记的文本

1 个答案: