清理带有多个尖括号的字符串

Question

我有以下 HTML 部分

<div class="article">this is a div article content</div>

，它被与 HTML 无关的程序“标记”在单词 div、class 和 article 上，结果in：

<<hl>div</hl> <hl>class</hl>="<hl>article</hl>">this is a <hl>div</hl> <hl>article</hl> content</<hl>div</hl>>

虽然我真正需要的是：

<div class="article">this is a <hl>div</hl> <hl>article</hl> content</div>

由于输出完全是垃圾（甚至像 HTML Tidy 这样的工具也会窒息），我认为正则表达式替换将有助于去除额外的 ;s 在 HTML 标记内：

replace(/<([^>]*)<hl>([^<]*?)<\/hl>([^>]*?)>/g, '<$1$2$3>')

现在，这可以工作，但只能替换标记中的第一个出现，即 div：

<div <hl>class</hl>="<hl>article</hl>">this is a <hl>div</hl> <hl>article</hl> content</div>

我的问题是：如何替换标记内的所有 ，以确保 HTML 保持有效？

附加说明：

• 我根本不需要标签属性（即 class="article" 可以消失）
• 我可以更改 和 < /hl> 对于任何其他字符串
• 是的，输出来自 Solr

更新：我接受了 jcollado 的答案，但我需要在 Javascript 中使用它。这是等效的代码：

var stripIllegalTags = function(html) {

  var output = '',
    dropChar,
    parsingTag = false;

  for (var i=0; i < html.length; i++) {
    var character = html[i];

    if (character == '<') {
      if (parsingTag) {
        do {
          dropChar = html[i+1];
          i++;
        } while (dropChar != '>');
        continue;
      }
      parsingTag = true;
    } else if (character == '>') {
      parsingTag = false;
    }

    output += character;

  }

  return output;

}

Answer 1

也许下面的代码对您有帮助：

class HTMLCleaner(object):
    def parse(self, html):
        output = []
        parsing_tag = False

        html = iter(html)
        for char in html:
            if char == '<':
                if parsing_tag:
                    drop_char = html.next()
                    while drop_char != '>':
                        drop_char = html.next()
                    continue
                parsing_tag = True
            elif char == '>':
                parsing_tag = False

            output.append(char)

        return ''.join(output)

html = '<<hl>div</hl> <hl>class</hl>="<hl>article</hl>">this is a <hl>div</hl> <hl>article</hl> content</<hl>div</hl>>'

parser = HTMLCleaner()
print parser.parse(html)

给定输入的输出是：

<div class="article">this is a <hl>div</hl> <hl>article</hl> content</div>

我相信这就是您正在寻找的内容。

当另一个标签尚未解析时，代码基本上会删除所有标签。