regex - 如何从 ColdFusion 字符串中清除 HTML 标签？

Question

我正在寻找一种从 ColdFusion 字符串中解析 HTML 标签的快速方法。我们正在引入一个 RSS 提要，它可能包含任何内容。然后我们对信息进行一些处理，然后将其吐回到另一个地方。目前我们正在使用正则表达式执行此操作。有没有更好的方法来做到这一点？

<cfloop from="1" to="#ArrayLen(myFeed.item)#" index="i">
  <cfset myFeed.item[i].description.value = 
   REReplaceNoCase(myFeed.item[i].description.value, '<(.|\n)*?>', '', 'ALL')>
</cfloop>

我们正在使用 ColdFusion 8。

Answer 1

免责声明 我强烈提倡使用适当的解析器(而不是正则表达式)来解析 HTML。然而，这个问题不是关于解析 HTML，而是关于销毁它。对于超出此范围的所有任务，请使用解析器。

我认为你的正则表达式很好。只要从输入中删除所有 HTML 标签，使用像您这样的正则表达式是安全的。

其他任何事情都可能比它的值(value)更麻烦，但是您可以编写一个小函数，该函数循环遍历字符串 char-by-char 一次并删除标记括号内的所有内容 - 例如:

一旦遇到“< ”字符，

就打开“inTag”标志

遇到“>”

后立即将其关闭

只要标志关闭，就将字符复制到输出字符串

为了提高性能，请使用 StringBuilder Java 对象而不是字符串连接

对于应用程序的高需求部分，这可能比正则表达式更快。但是正则表达式是干净的并且可能足够快。

也许这个修改后的正则表达式对你有一些好处:

<[^>]*(?:>|$)

捕获字符串末尾的未闭合标签

[^>]*优于(.|\n)

REReplaceNoCase()的使用当模式中没有实际字母时是不必要的。不区分大小写的正则表达式匹配比区分大小写慢。