从URL </script>中删除Java REGEX <script>标记

Question

  

可能重复：
  Remove JavaScript with Regex

如何删除<script ....和... </script>之间的所有内容？ 如果我写：

s = s.replaceAll("<script.+</script>", "");

它会删除第一个<script到最后一个</script>之间的所有内容，但我想从第一个<script中删除，直到第一个</script> 请帮忙

Answer 1

使用正则表达式来解析HTML通常是一个坏主意 - 有无数的极端情况，要抓住它们需要付出很多努力（如果你的输入是<!-- <script> --> foo <!-- </script> -->怎么办？） - 但要回答你的问题一个非常具体的问题：将+，一个尽可能消耗的“贪婪”量词，更改为+?，这是一个“不情愿”的量词，消耗尽可能少。

请参阅http://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html。

Answer 2

我过去曾建议这样做：

<\s*script.*?(/\s*>|<\s*/\s*script[^>]*>)

根据您的语言或工具使用“单行”或“dotall”编译器开关。

有关详情，请参阅我的回答：https://stackoverflow.com/q/8043367/561690

在回应评论时，我做了一些改动，除了让它更难以成功获得某些东西之外什么都不做。对于<和script之间的任何空格 - 在构建解析器时，我不会忽略推荐的那部分（标准？），以使其更灵活，所以我会把它作为我答案的一部分留下来！

Answer 3

OWASP Java HTML Sanitizer是由OWASP赞助的HTML清理程序，用Java编写，它使用一串HTML和白名单标记和属性来生成一串安全的HTML。

它经历了多轮攻击审查，与AntiSAMY适合相同的利基。

完全披露：我是维护者。