萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 腳本程式專題 >> JavaScript

JavaScript 過濾 HTML 標籤與空白字符的正則實戰指南

需求場景

在富文本編輯器、用戶輸入過濾、數據清洗等場景中,常需要去除 HTML 標籤、多餘空白、換行符等。本文深入解析三個核心正則表達式的原理,並提供健壯的通用過濾函數。

核心函數:removeHTMLTag

/**
 * 過濾 HTML 標籤、空白字符、換行符
 * @param {string} str - 原始字符串
 * @returns {string} 純文本內容
 */
function removeHTMLTag(str) {
  if (typeof str !== 'string') return '';
  
  // 1. 去除 HTML 標籤(包括屬性、自閉合標籤)
  str = str.replace(/<\/?[^>]*>/g, '');
  
  // 2. 去除行尾空白(空格/製表符 + 換行)
  str = str.replace(/[ \t]*\n/g, '\n');
  
  // 3. 去除多餘空行(連續換行合併為一個)
  str = str.replace(/\n{2,}/g, '\n');
  
  // 4. 去除所有空格字符(包括   實體解碼後的空格)
  str = str.replace(/ /g, ''); // 針對   解碼後的普通空格
  str = str.replace(/\s+/g, ' '); // 合併連續空白為單個空格(可選)
  
  // 5. 去除首尾空白
  return str.trim();
}

正則表達式深度解析

1. `/<\/?[^>]*>/g` —— 匹配所有 HTML 標籤

// 拆解:
/            # 正則開始
<           # 匹配字面量 "<"
\/?          # 匹配 0 或 1 個 "/"(即可匹配 
也可匹配
) [^>]* # 匹配任意非 ">" 字符,0 次或多次(貪婪模式) > # 匹配字面量 ">" /g # 全局匹配(所有出現)

匹配示例:

  • `
    ` → 匹配整個標籤
  • `
` → 匹配
  • `` → 匹配
  • `
    ` → 匹配
  • 局限性:無法處理標籤屬性值中包含 `>` 的情況(如 ``),但實際開發中極少見,可接受。

    2. `/[ \t]*\n/g` —— 去除行尾空白

    [ \t]*      # 匹配 0 或多個空格或製表符
    \n          # 匹配換行符
    

    將「空白 + 換行」替換為單純換行,保留段落結構。

    3. `/ /g` 或 `/\s+/g` —— 空白字符處理

    • `/ /g`:專門針對 ` ` 解碼後的普通空格(U+0020)。
    • `/\s+/g`:匹配所有空白字符(空格、制表符、換行、換頁等),常用於合併多餘空白。

    修飾符:`g` 全局,`i` 忽略大小寫(此處無字母大小寫,`i` 無效果)。

    進階版:保留基本排版的過濾器

    若需保留段落換行、合理空白,可用:

    function cleanHTMLKeepFormat(str) {
      if (typeof str !== 'string') return '';
      
      // 1. 轉換塊級標籤為換行(如 div, p, br, h1-h6, li 等)
      str = str.replace(/<\/?(div|p|br|h[1-6]|li|ul|ol|tr|td|th|table|section|article|header|footer|main|aside|nav)>/gi, '\n');
      
      // 2. 去除其餘所有標籤
      str = str.replace(/<\/?[^>]*>/g, '');
      
      // 3. 解碼常見 HTML 實體
      var entities = {
        '&nbsp;': ' ',
        '&lt;': '<',
        '&gt;': '>',
        '&amp;': '&',
        '&quot;': '"',
        '&#39;': "'"
      };
      str = str.replace(/&nbsp;|&lt;|&gt;|&amp;|&quot;|&#39;/gi, function(m) {
        return entities[m];
      });
      
      // 4. 合併連續空白行(最多保留 2 個換行 = 1 個段落間距)
      str = str.replace(/\n{3,}/g, '\n\n');
      
      // 5. 去除每行首尾空白
      str = str.replace(/^[ \t]+|[ \t]+$/gm, '');
      
      return str.trim();
    }
    

    測試用例

    var html = `
      <div class="box">
        <p>Hello  World!</p>
        <span style="color:red">This is a <b>test</b>.</span>
        <br/>
        <!-- 注釋 -->
      </div>
    `;
    
    console.log('原始:', html);
    console.log('純文本:', removeHTMLTag(html));
    // 輸出: "HelloWorld!This is a test."
    
    console.log('保留格式:', cleanHTMLKeepFormat(html));
    // 輸出: 
    // "Hello World!
    // This is a test."
    

    最佳實踐建議

    1. 輸入驗證:函數首行判斷類型,非字符串返回空串。
    2. 實體解碼:過濾標籤前先解碼 `&nbsp;` 等實體,避免殘留亂碼。
    3. XSS 防護:此函數僅用於顯示層過濾,**不可作為後端安全過濾唯一手段**,後端需使用成熟庫(如 DOMPurify、js-xss)。
    4. 性能優化:大量文本處理時,考慮使用 `DOMParser` 解析後提取 `textContent`,比正則更可靠:
    function stripTagsDOM(str) {
      var parser = new DOMParser();
      var doc = parser.parseFromString(str, 'text/html');
      return doc.body.textContent || '';
    }
    

    結語

    正則過濾 HTML 適合簡單場景,複雜嵌套、異常標籤、實體編碼等情況下,基於 DOM 解析的方案更健壯。根據業務場景選擇合適方案,並在前後端雙重防護。

    copyright © 萬盛學電腦網 all rights reserved