如何使用 Perl 去除字符串中的 HTML？

Question

还有比这更容易使用 Perl 从字符串中剥离 HTML 的方法吗？

$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;

我会欣赏一个精简的正则表达式，例如这样的：

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

是否有一个现有的 Perl 函数可以从字符串中删除任何/所有 HTML，即使我只需要删除粗体、h1 标题和 br ？

Answer 1

假设代码是有效的 HTML（没有杂散的 < 或 > 运算符）

$htmlCode =~ s|<.+?>||g;

如果您只需要删除粗体、h1 和 br

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

您可能需要考虑 HTML::Strip 模块

Answer 2

您绝对应该看看 HTML::Restrict 它允许您剥离或限制允许的 HTML 标签。 一个剥离所有 HTML 标签的最小示例：

use HTML::Restrict;

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

我建议远离 HTML::Strip 因为 它破坏了 utf8 编码。

Answer 3

来自 perlfaq9：如何从字符串中删除 HTML？

---

最正确的方法（尽管不是）最快）是使用 CPAN 的 HTML::Parser。 另一种最正确的方法是使用 HTML::FormatText，它不仅删除 HTML，而且还尝试对生成的纯文本进行一些简单的格式化。

许多人尝试使用简单的正则表达式方法，例如 s/<.*?>//g，但在许多情况下会失败，因为标签可能会在换行符上继续，它们可能包含引用的尖括号或 HTML评论可能存在。 另外，人们忘记转换实体——比如 < 例如。

这是一种适用于大多数文件的“简单”方法：

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

如果您想要更完整的解决方案，请参阅 http://www.cpan.org/authors/id/T/TO/TOMC/scripts/striphtml.gz 。

在选择解决方案时，您应该考虑以下一些棘手的情况：

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

如果 HTML 注释包含其他标签，这些解决方案也会在文本上中断，如下所示：

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