Question

我正在寻找一种从ColdFusion字符串中解析HTML标记的快捷方法。我们正在提供一个RSS源，它可能包含任何内容。然后我们对信息进行一些操作，然后将其吐回另一个地方。目前我们正在使用正则表达式。有更好的方法吗？

<cfloop from="1" to="#ArrayLen(myFeed.item)#" index="i">
  <cfset myFeed.item[i].description.value = 
   REReplaceNoCase(myFeed.item[i].description.value, '<(.|\n)*?>', '', 'ALL')>
</cfloop>

我们正在使用ColdFusion 8。

Answer 1

免责声明我是使用正确的解析器（而不是正则表达式）来解析HTML的激烈倡导者。但是，这个问题不是关于解析 HTML，而是关于销毁它。对于超出该范围的所有任务，请使用解析器。

我认为你的正则表达式很好。只要从输入中删除所有HTML标记，只需使用像你这样的正则表达式就可以了。

其他任何东西都可能比它的价值更麻烦，但你可以写一个小函数，循环遍历字符串char-by-char一次并删除标签括号内的所有内容 - 例如：

遇到“<”字符时立即打开“inTag”标志，
遇到“>”
只要标志关闭，就将字符复制到输出字符串
为了提高性能，请使用StringBuilder Java对象而不是字符串连接

对于应用程序的高需求部分，这可能比正则表达式更快。但正则表达式很干净，而且可能足够快。

也许这个修改过的正则表达式对你有一些好处：

<[^>]*(?:>|$)

在字符串末尾捕获未关闭的标签
[^>]*优于(.|\n)

当模式中没有实际字母时，不需要使用REReplaceNoCase()。不区分大小写的正则表达式匹配比区分大小写更慢。

Answer 2

HTML不是常规语言，因此在（不受控制的）HTML上使用正则表达式应该非常小心（如果有的话）。

例如，考虑以下HTML的有效段：

<img src="boat.jpg" alt="a boat" title="My boat is > everything! I <3 my boat!">

你会注意到语法高亮显示器是如何窒息的 - 现有的正则表达式也是如此。

除非你某些你正在处理的字符串不包含类似于上面的HTML代码，否则你应该避免做出假设/妥协，单一/纯正则表达式路由会强迫你做。

（注意：同样的问题也适用于建议的char-by-char方法。）

要解决您的问题，您应该使用DOM解析器将您的字符串解析为HTML对象，循环遍历每个元素并转换为文本。

如果你有有效的XHTML，那么你可以使用CF的XmlParse()来生成你可以循环的对象。如果它可能是非XML HTML，那么CF8没有内置选项，因此您必须研究Java /等中的选项。

Answer 3

我用这个：

REReplaceNoCase(text, "<[^[:space:]][^>]*>", "", "ALL");

99％的案例都可以正常使用。

Answer 4

最好的方法通常是将<强制转换为<，将>强制转换为>。这样您就不会对消息的性质做出假设。有人可能在谈论<tags>或尝试<<expressive>>或描述击键<Ctrl>+C或使用数学1 < x > 3。即使表情符号也可以触发正则表达式<8P X>

<cfloop from="1" to="#ArrayLen(myFeed.item)#" index="i">
    <cfset myFeed.item[i].description.value = ReplaceList(myFeed.item[i].description.value, '<,>', '&lt;,&gt;')>
</cfloop>

Answer 5

cflib是你的朋友：stripHTML

Answer 6

<cfset a = "<b><font color = 'red'>(PCB) <1 ppm </font></b>">

<cfset b = REReplaceNoCase(a, "<[^><]*>", '', 'ALL')>

<cfdump var="#b#">

输出b =“（PCB）<1 ppm”

正则表达式“＆lt; [^＆gt;＆lt;] *＆gt;”将删除所有标签和这些标签内的字符，并且不会删除单个标签，例如＆lt;或者＆gt;可以用作小于或大于字符串

中的符号

如何从ColdFusion字符串中清除HTML标记？

6 个答案: