mysql - 清理充满 html 标签的旧数据库

Question

我正在将我客户的旧 mysql 数据库移动到一个新的 wordpress 系统(旧的也是 wp)，我注意到他的文章都用大量的 HTML 保存 <p></p>由于直接从 MS Word 导入内容，标签充满了不同的样式。我已经说服客户使用从 Word 粘贴并在保存新文章之前清理他的文章。

现在，有什么安全的方法可以删除所有已保存的标签 <p style="different_styles_every_time"></p>不留下垃圾并希望保留原始换行符？

我已经开始研究正则表达式，但是这里有很多答案建议不要使用它来解析 HTML。有什么线索吗？

Answer 1

这是我在类似数据库情况(存储 html)的“预渲染清理”过程中使用的一个安全过程，不幸的是，它是用 Java 编写的，但概念(和使用的正则表达式)可以应用于 SQL 更新查询。

请注意，我建议不仅要在执行此操作之前进行备份，还要在数据库的“安全”版本上进行测试。当然，对于这种规模的任何更新过程，您可能已经知道风险。

请注意:“BLOCK OF HTML TO CLEAN” 不应解释为一个字符串文字，而只是一个注释，上面写着“displayContent 是保存 DB 的 html 结果的变量，在这种情况下，只是循环中结果集的 1 次迭代。

String displayContent = "THE BLOCK OF HTML TO CLEAN";
String tagregex = "<p[^>]*>";
Pattern p2 = Pattern.compile(tagregex);
Matcher m2 = p2.matcher(displayContent);
displayContent = m2.replaceAll("");
displayContent = displayContent.replaceAll("</p>", "");

您当然可以将其用于任何其他 html 标签及其属性。祝你好运!