使用CFML删除特定HTML标记

Question

我需要一个正则表达式来删除<FONT>的所有实例及其中可能包含的所有属性，例如<FONT size=2 face=Verdana>及其结束标记</FONT>。我回来的字符串，字体标记可以包含这些属性的任何属性和值的不同变体，并且html结构不一致。这是我作为字符串得到的一个例子：

<UL>
    <LI><FONT size=2 face=Verdana>random text<STRONG>random text</STRONG>random text<SPAN style="LINE-HEIGHT: 115%; FONT-FAMILY: 'Arial','sans-serif'; FONT-SIZE: 11pt; mso-fareast-font-family: 'Times New Roman'; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA"><SPAN style="mso-spacerun: yes">&nbsp;</SPAN>random text</SPAN> </FONT></LI>
    <LI><FONT size=2 face=Verdana><FONT size=2 face=Verdana><STRONG>random text</STRONG></FONT></LI> <LI>random text</FONT></LI>
    <LI><FONT size=2 face=Verdana>random text</FONT></LI>
    <LI><FONT size=2 face=Verdana>random text</FONT></LI>

这是我希望它在使用正则表达式后的样子：

<UL>
    <LI>random text<STRONG>random text</STRONG>random text<SPAN style="LINE-HEIGHT: 115%; FONT-FAMILY: 'Arial','sans-serif'; FONT-SIZE: 11pt; mso-fareast-font-family: 'Times New Roman'; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA"><SPAN style="mso-spacerun: yes">&nbsp;</SPAN>random text</SPAN></LI>
    <LI><STRONG>random text</STRONG></LI>
    <LI>random text</LI>
    <LI>random text</LI>
    <LI>random text</LI>

我尝试了不同的变体，我已经能够删除<FONT部分但不删除其属性，结尾>或结束标记</FONT>

这是我正在使用的一个例子

loc.result = rereplace(arguments.htmlString, "\\<FONT[^*\\>", "", "ALL");

我为我的错误的正则表达式代码道歉，所以任何提示或建议将不胜感激！

Answer 1

如前所述，不要使用REGEX。使用像JSoup这样的HTML解析器。

Download the JSoup jar file并将其保存在类路径的某个位置，然后使用以下函数（cfscript语法，使用Lucee测试，但应该适用于任何CFML引擎）：

<cfscript>
/** removes the given tag from the input html while keeping its contents */ 
function removeTag(input, tagname){

    var Jsoup = createObject("java", "org.jsoup.Jsoup");
    var doc   = Jsoup.parse(arguments.input);
    var body  = doc.body().child(0);
    var tags  = body.select(arguments.tagname);

    for (var tag in tags){
        for (var attr in tag.attributes().asList())
            tag.removeAttr(attr.getKey());
    }

    var result = body.toString();
    result = replace(result, "<#arguments.tagname#>",  "", "all");
    result = replace(result, "</#arguments.tagname#>", "", "all");

    return result;
}
</cfscript>

然后只需使用要清理的HTML代码调用该函数，例如：

cleanHtml = removeTag(inputHtml, "font");

为了测试你的例子，我添加了以下内容：

<cfsavecontent variable="input">
<UL>
    <LI><FONT size=2 face=Verdana>random text 1<STRONG>random text 2</STRONG>random text 3<SPAN style="LINE-HEIGHT: 115%; FONT-FAMILY: 'Arial','sans-serif'; FONT-SIZE: 11pt; mso-fareast-font-family: 'Times New Roman'; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA"><SPAN style="mso-spacerun: yes">&nbsp;</SPAN>random text 4</SPAN> </FONT></LI>
    <LI><FONT size=2 face=Verdana><FONT size=2 face=Verdana><STRONG>random text 5</STRONG></FONT></LI> <LI>random text 5</FONT></LI>
    <LI><FONT size=2 face=Verdana>random text 6</FONT></LI>
    <LI><FONT size=2 face=Verdana>random text 7</FONT></LI>
</cfsavecontent>

<cfdump var="#{ output: removeTag(input, "font"), input: input }#">

输出如下：

我建议您还阅读我的博客文章Harnessing the Power of Java in CFML

Answer 2

正则表达式可以这样制作：<\/?FONT.*?>（test and example）。

但整体不使用正则表达式进行HTML / XML解析。原因如下：https://stackoverflow.com/a/1732454/2610466

更新：根据问题更好地解决问题