javascript - python中的正则表达式用于过滤JS代码

Question

我是 python 新手，我想使用正则表达式过滤 html 标签。我使用的功能如下:

  def filter_tags(htmlstr):
        re_cdata=re.compile('//<!\[CDATA\[.*//\]\]>',re.DOTALL)
        re_script=re.compile('<\s*script[^>]*>[^<]*<\s*/\s*script\s*>',re.DOTALL)#Script
        re_style=re.compile('<\s*style[^>]*>[^<]*<\s*/\s*style\s*>',re.I)#style
        re_br=re.compile('<br\s*?/?>')
        re_h=re.compile('</?\w+[^>]*>')
        re_function = re.compile('')
        re_comment=re.compile('<!--[^>]*-->')
        s=re_cdata.sub('',htmlstr)
        s=re_script.sub('',s) 
        s=re_style.sub('',s)
        s=re_br.sub('',s)
        s=re_h.sub('',s) 
        s=re_comment.sub('',s)
        s = re.sub('\\t','',s)
        s = re.sub(' ','',s)
        return s

除了一些js函数之外，大多数标签和代码都可以删除，我遇到了一些这样的麻烦:

(function(){
NTES.ajax.importJs('http://news.163.com/special/hot_tags_recommend_data/',function(){
varname1,name2,len1,len2,width1,width2,left2;
varloveData=['拎婚房待嫁北京爷们','请网友鉴定是否美女'];
if(hotTagsData.count&&hotTagsData.count>0){
varcode='#from=article',
html=[],
item={name:'',url:''};
for(vari=0;i<hotTagsData.data.length&&i<4;i++){
item=hotTagsData.data[i];
html.push(''+item.name+'');
if(i==1){name1=item.name;}
if(i==2){name2=item.name;}
}
html.push(loveData[0]);
html.push(loveData[1]);
NTES('#js-extraTagList').innerHTML=html.join('');
len1=name1.replace(/[^\x00-\xff]/gi,"aa").length;
len2=name2.replace(/[^\x00-\xff]/gi,"aa").length;
width1=Math.floor((len1/(len1+len2))*271);
width2=271-width1;
left2=96+width1+19;
NTES('.extra-tag-1').addCss('width:'+width1+'px');
NTES('.extra-tag-2').addCss('width:'+width2+'px;left:'+left2+'px;');
}
},'gbk');
})();

正如你所看到的，类似这样的函数有很多，那么如何使用正则表达式删除这些函数呢？非常感谢。

Answer 1

您的正则表达式:<\s*script[^>]*>[^<]*<\s*/\s*script\s*>不应该有[^<]* 。您应该保留它仅用于匹配标签本身。相反，您应该使用非贪婪 * ，通常在语法上表示为:*?所以它看起来像 <\s*script[^>]*>.*?<\s*/\s*script\s*> 。您应该在任何地方进行更改，包括样式标签和评论正则表达式。

这应该可以解决大多数情况。但是，它仍然无法保护您免受包含 '</script>' 字符串的标签的侵害。 ，尽管这种情况应该很少见。这种情况很可能很少见，如果出现这种情况，您可以手动将其删除。