Elimina todas las etiquetas HTML excepto los enlaces

Question

Estoy intentando escribir una expresión regular para eliminar todo el HTML con excepción de los enlaces (el <a href y </a> etiquetas respectivamente.No tiene que ser 100% seguro (no me preocupan los ataques de inyección ni nada por el estilo, ya que estoy analizando contenido que ya ha sido aprobado y publicado en un fondos soberanos película).

La expresión regular original de "etiquetas de tira" que estoy usando era <(.|\n)+?>, y traté de modificarlo para <([^a]|\n)+?>, pero eso, por supuesto, permitirá que cualquier etiqueta que tenga un a en él en lugar de uno que lo tiene al principio, con un espacio.

No es que realmente deba importar, pero en caso de que a alguien le interese saber, estoy escribiendo esto en ActionScript 3.0 para Destello película.

Answer 1

<(?!\/?a(?=>|\s.*>))\/?.*?>

Prueba esto.Tenía algo similar para las etiquetas p.Funcionó para ellos, así que no veo por qué no.Utiliza una anticipación negativa para comprobar que no coincide con un (con el prefijo / opcional) donde (usando una anticipación positiva) a (con un prefijo / opcional) va seguido de un > o un espacio, cosas y luego >.Esto luego coincide hasta el siguiente > carácter.Pon esto en un sustituto con

s/<(?!\/?a(?=>|\s.*>))\/?.*?>//g;

Esto debería dejar solo las etiquetas de apertura y cierre.

Answer 2

Sigo hablando de ello, pero no hay forma de recomendarlo. expresión regular con demasiada frecuencia.Es fantástico para probar este tipo de cosas.

Answer 3

En general, hay problemas con este enfoque.Las expresiones regulares son mejores para coincidencias de texto "plano": los datos anidados empujan a los motores de expresiones regulares a áreas para las que no están diseñados.El análisis general de HTML necesita un analizador, no un motor de expresiones regulares (busque en Google la diferencia entre lenguajes normales y libres de contexto si desea conocer todos los detalles técnicos).

Es fácil eliminar todas las etiquetas reemplazando /</ y />/ con la cadena vacía o sus equivalentes de entidad, pero filtrar HTML selectivamente usando expresiones regulares será vulnerable a una amplia gama de entradas accidentales o maliciosas que rompan cosas.

Answer 4

Aquí tienes:

{<(?!i|b|h[1-6]|/i|/b|/h[1-6][\s|>|/])[^>]*>}

Answer 5

Qué tal si

<[^a](.|\n)+?>

?

Answer 6

strip_tags() Haz esto.

Aquí incluyo a todos. <a><p><font><b><i><sup> etiquetas y generando una versión ordenada:

cat input.htm | tr -d '\n' | php -r '$input=fgets(STDIN); echo strip_tags($input,"<a><p><font><b><i><sup>");' | tidy -i -wrap 0 -o output.htm