从字符串中删除HTML的最佳方法是什么？

Question

我最近在ReReplace（）函数中开始使用以下RegEx来使用ColdFusion从字符串中剥离HTML标记。 请注意：我没有使用它作为XSS或SQL注入的保护; 这只是为了从字符串中删除现有的和安全的HTML，然后才显示在HTML标题属性中。

REReplaceNoCase(str,"<[^>]*>","","ALL")

在半相关问题I asked how to modify my RegEx中包含空格和换行符。有人告诉我，为此目的使用RegEx是不合适的this post was referenced as an explanation.

  

我强烈怀疑你发布的正则表达式实际上并不正常。我建议你不要使用正则表达式解析HTML，因为HTML不是常规语言。请改用HTML解析器。 （Mark Byers）

如果这是真的，在显示之前从字符串中删除HTML的适当工具是什么？ （请记住HTML已经安全;它在进入数据库之前已经过清理。）

我知道HTMLEditFormat()和HTMLCodeFormat()，但这两个功能并不能满足我的需要;早期用特定于HTML转义的等价物替换特殊字符，而后者则完全相同，但也将字符串换成<pre>标记。

我想要做的是在HTML标题属性<a title="My string without HTML goes here">...</a>

中显示之前清除HTML和换行符中的字符串

有时候HTML不是必需的。例如，假设您想显示帖子的摘录，而不存储HTML。

Answer 1

我不同意你引用的推理。虽然HTML不应该使用regexen 解析，但剥离标签对他们来说是完美的。

但是你会比<[^>]*>更加小心，因为那会转向

<span title=">">...</span>

进入不正常的

">...</span>

所以你需要<([^">]|"[^"]*"|'[^']*')*>之类的东西。您可以使用字符替换而不是正则表达式来删除换行符，但如果您更喜欢正则表达式，则可以使用类似\n的内容（或者甚至使用替换方法将其与上面的内容结合使用，但效率更低）。

Answer 2

使用chilkat html解析器chilkat。我们在学术项目中使用它来从html页面获取所有内容和超链接，以构建基本的搜索引擎。

Answer 3

如果要将HTML代码段包含在标题中，您可以使用正则表达式和足够的测试覆盖所有基础。

尽管如此，作为一般提示，如果你必须处理一个更大的片段，我将使用Java的XML / DOM方式，通过使用dom4j进行解析并抓取文本，或者更可能通过使用SAX对结果进行Stringbuilding解析器。

[编辑]当我第一次回答时，我即将写出HTML必须格式合理，但假设您至少对源有一点控制权。但是，如果你没有它，我会快速链接到JTidy和TagSoup，当然也没有测试过，但它们绝对是我测试消耗真实的第一件事。 -World HTML with CF。