如何使用Perl从字符串中去除HTML？

Question

使用Perl从字符串中剥离HTML，是否有比这更简单的方法？

$Error_Msg =~ s|<b>||ig;
$Error_Msg =~ s|</b>||ig;
$Error_Msg =~ s|<h1>||ig;
$Error_Msg =~ s|</h1>||ig;
$Error_Msg =~ s|<br>||ig;

我希望能有一个简化的正则表达式，例如像这样：

$Error_Msg =~ s|</?[b|h1|br]>||ig;

是否存在一个现有的Perl函数可以从字符串中去除任何/所有HTML，即使我只需要去除粗体、h1标题和br标签？

- ParoX

Answer 1

假设代码是有效的HTML（没有漫游的<或>运算符）

$htmlCode =~ s|<.+?>||g;

如果你只需要移除粗体、h1和br标签

$htmlCode =~ s#</?(?:b|h1|br)\b.*?>##g

而且你可能想考虑使用HTML::Strip模块。

- Abhinav Gupta

---

我不会说“可能”，我会说“应该”。在当今时代，试图使用正则表达式来清除HTML是荒谬的。从CPAN中使用众多HTML清理模块之一，最好选择一个旨在防止XSS漏洞且非Daniel Muey编写的模块。 - nothingmuch

注意，HTML::Strip 不正确地支持 UTF-8 编码的字符串。请查看此处的解决方法：https://gist.github.com/910818 - nick

Answer 2

从 perlfaq9: 如何从字符串中删除HTML？

---

最正确的方法（虽然不是最快的）是使用来自CPAN的HTML::Parser。另一种大多数情况下正确的方法是使用HTML::FormatText，它不仅删除HTML，还尝试对生成的纯文本进行简单的格式化。

许多人尝试使用简单的正则表达式方法，例如s/<.*?>//g，但在许多情况下会失败，因为标记可能继续跨越换行符，它们可能包含带引号的尖括号，或者可能存在HTML注释。此外，人们忘记转换实体-例如<。

这里是一个“简单”的方法，适用于大多数文件：

#!/usr/bin/perl -p0777
s/<(?:[^>'"]*|(['"]).*?\1)*>//gs

如果您需要更全面的解决方案，请参考http://www.cpan.org/authors/id/T/TO/TOMC/scripts/striphtml.gz中的三阶段striphtml程序。

以下是一些你在选择解决方案时应该考虑的棘手情况：

<IMG SRC = "foo.gif" ALT = "A > B">

<IMG SRC = "foo.gif"
 ALT = "A > B">

<!-- <A comment> -->

<script>if (a<b && a>c)</script>

<# Just data #>

<![INCLUDE CDATA [ >>>>>>>>>>>> ]]>

如果HTML注释包含其他标记，则这些解决方案也会在类似于此文本的文本中出现问题：

<!-- This section commented out.
    <B>You can't see me!</B>
-->

- brian d foy

---

关于您的脚本建议--http://www.cpan.org/authors/id/T/TO/TOMC/scripts/striphtml.gz--这将删除所有内容。我该如何修改此代码，仅保留特定的HTML标签？除此之外，它运行良好。 - PKHunter

Answer 3

你应该一定要看看HTML::Restrict，它可以让你剥离或限制允许的HTML标签。一个最小的示例，它会剥离所有HTML标签：

use HTML::Restrict;

my $hr = HTML::Restrict->new();
my $processed = $hr->process('<b>i am bold</b>'); # returns 'i am bold'

我建议远离HTML::Strip，因为它会破坏utf8编码。

- Juan A. Navarro

---

它不支持Perl 5.8.x。这是一个超级程序，但了解它的支持结构会很好。 - PKHunter

我也不确定是否有一种方法可以保留没有开放和关闭标签的标记（可允许的标记）。例如，'<br/>' 很难识别。 - PKHunter