Làm cách nào để tách HTML trong chuỗi bằng Perl?

Question

Có cách nào dễ dàng hơn điều này để tách HTML khỏi chuỗi bằng Perl không?

$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; 

Tôi sẽ biểu thị cả biểu thức chính quy được rút gọn, ví dụ: một cái gì đó như thế này:

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

Có một hàm Perl hiện có loại bỏ bất kỳ/tất cả HTML từ chuỗi, mặc dù tôi chỉ cần in đậm, tiêu đề h1 và br tước?

Answer 1

Giả sử mã là HTML hợp lệ (không đi lạc < hoặc> khai thác)

Nếu bạn cần phải loại bỏ chỉ bolds, của h1 và br của

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

Và bạn có thể muốn xem xét việc HTML::Strip mô-đun

Answer 2

Từ perlfaq9: How do I remove HTML from a string?

---

Cách chính xác nhất (mặc dù không phải là nhanh nhất) là sử dụng HTML :: Trình phân tích cú pháp từ CPAN. Một cách chủ yếu khác là sử dụng HTML :: FormatText không chỉ loại bỏ HTML mà còn cố gắng tạo một định dạng đơn giản của văn bản thuần túy.

Nhiều người cố gắng tiếp cận biểu thức chính quy đơn giản, như s/<. *?> // g, nhưng không thành công trong nhiều trường hợp vì các thẻ có thể tiếp tục bị ngắt dòng, chúng có thể chứa dấu ngoặc nhọn được trích dẫn, hoặc nhận xét HTML có thể có mặt. Ngoài ra, mọi người đều quên chuyển đổi các thực thể - chẳng hạn như < chẳng hạn.

Dưới đây là một "đầu óc đơn giản" cách tiếp cận, mà làm việc cho hầu hết các tập tin:

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

Nếu bạn muốn có một giải pháp hoàn chỉnh hơn, hãy xem các chương trình striphtml 3 giai đoạn trong http://www.cpan.org/authors/id/T/TO/TOMC/scripts/striphtml.gz.

Dưới đây là một số trường hợp khó khăn mà bạn nên suy nghĩ về khi chọn một giải pháp:

<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 [ >>>>>>>>>>>> ]]> 

Nếu HTML bình luận bao gồm các thẻ khác, những giải pháp cũng sẽ phá vỡ trên văn bản như thế này:

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

Answer 3

Bạn chắc chắn nên có một cái nhìn tại HTML::Restrict cho phép bạn loại bỏ hoặc hạn chế các thẻ HTML được cho phép. Một ví dụ tối thiểu để loại bỏ tất cả các thẻ HTML:

use HTML::Restrict; 

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

Tôi khuyên bạn nên tránh xa HTML :: Strip vì it breaks utf8 encoding.