Я пытаюсь удалить теги HTML из фрагмента текста. Однако проблема в том, что все, что я использую - регулярное выражение, strip_tags и т. Д., Сталкивается с той же проблемой: он также удаляет текст, который не является HTML, но выглядит так.
Some <[email protected]> Content--> Some Content
Some <Content which looks like this --> Some
Есть ли способ обойти это?
Вполне правильным решением будет полноценный парсер HTML. См. этот легендарный вопрос для полного обсуждения.
Простым 80%-ным решением будет поиск всех известных тегов и удаление их.
RegExp('</?(a|b|blockquote|cite|dd|dl|dt|...|u)\b.*?>')
Код будет более читабельным, если вы будете использовать массив тегов и строить выражения по мере их перебора. Он не будет хорошо обрабатывать комментарии, поэтому, если вам нужно нечто большее, чем хакерское качество, не делайте этого с помощью хакерского подхода. Если вам нужна корректность, используйте настоящий парсер HTML (например, DOMDocument в PHP).
Пробовали ли вы использовать библиотеку очистителя HTML? Вы можете настроить его на удаление всех тегов, я нашел библиотеку очень надежной.
require_once '/path/to/HTMLPurifier.auto.php'; в свой код, чтобы загрузить его.
- person Ilmari Karonen; 19.07.2013
