萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 網頁製作 >> HTML 腳本教學

正則表達式刪除指定 HTML 標籤:保留白名單策略

抓取第三方內容時,需清洗危險標籤但保留安全標籤(如 a、img、br)。「黑名單」難以窮盡,「白名單」配合負向前瞻斷言更穩健。

核心正則

<(?!((/?\s?li)|(/?\s?ul)|(/?\s?a)|(/?\s?img)|(/?\s?br)|(/?\s?span)|(/?\s?b)))[^>]+>

匹配不在白名單中的標籤:

  • (?! ... ) 負向前瞻:後面不是白名單標籤名。
  • /?\s? 匹配可選關閉斜槿與空白。
  • [^>]+ 匹配標籤屬性直到 >。

C# 封裝範例

private static string RemoveSpecifyHtml(string ctx) {
  string[] holdTags = { "a", "img", "br", "strong", "b", "span", "li" };
  string pattern = string.Format(@"<(?!((/?\s?{0})))[^>]+>",
    string.Join(@")|(/?\s?", holdTags));
  Regex reg = new Regex(pattern, RegexOptions.Compiled | RegexOptions.Multiline | RegexOptions.IgnoreCase);
  return reg.Replace(ctx, "");
}

邊界修正:單詞邊界 \b

白名單含 a 會誤保留 abbr,li 誤保留 link。在標籤名後加 \b(單詞邊界)精確匹配:

<(?!((/?\s?li\b)|(/?\s?ul\b)|(/?\s?a\b)|...))[^>]+>

注意

正則處理 HTML 有局限(巢狀、屬性含 >、註釋等)。生產環境建議用成熟庫(HtmlAgilityPack、AngleSharp、DOMPurify)做完整清洗。

copyright © 萬盛學電腦網 all rights reserved