Comment puis-je bande HTML dans une chaîne de caractères à l'aide de Perl?

Est-il de toute façon de plus facile que cela à bande de HTML à partir d'une chaîne à l'aide de Perl?

$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;

Je appreicate la fois allégée expression régulière, par exemple, quelque chose comme ceci:

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

Est il un fonction Perl que des bandes de tout/tout le code HTML à partir d'une chaîne, même si j'ai seulement besoin de gras, h1-têtes et br dépouillé?

OriginalL'auteur ParoX | 2009-07-01

  1. 21

    En supposant que le code HTML valide (pas de parasite < ou > les opérateurs)

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

    Si vous avez besoin de supprimer uniquement des caractères gras, h1 et br

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

    Et vous pourriez envisager de l' HTML::Bande module

    Je ne dirais pas pourrait, je dirais devrait. Tenter de nettoyer le code HTML avec regexes est absurde dans cette journée et l'âge. Utilisez une des nombreuses HTML désinfection des modules du CPAN, de préférence quelque chose conçu pour prévenir les failles XSS et ne sont pas écrites par Daniel Muey.
    Méfiez-vous de HTML::Bande ne prend pas en charge correctement codé en UTF-8 cordes. Voir ici pour une solution de contournement gist.github.com/910818

    OriginalL'auteur Abhinav Gupta

  2. 14

    Vous devriez vraiment avoir un coup d'oeil à la HTML::Restreindre l' qui vous permet de supprimer ou de restreindre la balise HTML autorisée. Un exemple minimal qui supprime toutes les balises HTML:

    use HTML::Restrict;

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

    Je vous recommande de rester à l'écart de HTML::Bande, car il rompt l'encodage utf8.

    J'aurais aimé lire cette réponse il y a quelques semaines.
    Il ne fonctionne pas avec Perl 5.8.x. C'est un super programme, mais il serait bon de savoir ce que sa structure de support est.
    Aussi, je ne sais pas si il existe un moyen de laisser les balises (possibilité de tags) qui n'ont pas d'ouvrir et de fermer les balises. Exemple '<br/>' est difficile à identifier.

    OriginalL'auteur Juan A. Navarro

  3. 14

    De perlfaq9: Comment puis-je supprimer le code HTML d'une chaîne de caractères?

    La plus correcte (mais pas le plus rapide est d'utiliser le HTML::Parser du CPAN. Un autre surtout bonne façon est d'utiliser de l'HTML::FormatText qui non seulement élimine HTML mais tente aussi de faire un peu de simple mise en forme du texte brut obtenu.

    Beaucoup de gens tentent un simple d'esprit expression régulière approche, comme s/<.*?>//g, mais qui ne parvient pas, dans de nombreux cas, parce que les étiquettes peut se poursuivre sur les sauts de ligne, ils peuvent comporter des cotés de l'angle de supports ou de commentaire HTML peuvent être présents. De Plus, les gens oublient de convertir les entités-comme < par exemple.

    Voici une "simple d'esprit", qui fonctionne pour la plupart des fichiers:

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

    Si vous voulez une solution plus complète, voir le 3-étape striphtml programme http://www.cpan.org/authors/id/T/TO/TOMC/scripts/striphtml.gz .

    Voici quelques délicate cas que vous devez penser lors de la cueillette une solution:

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

    Si les commentaires HTML inclure d'autres balises, ces solutions seront également pause sur ce texte:

    <!-- This section commented out.
    <B>You can't see me!</B>
-->
    À votre script suggestion -- cpan.org/authors/id/T/TO/TOMC/scripts/striphtml.gz -- supprime tout. Comment puis-je modifier ce code pour ne plus laisser que certaines balises html? Autre que cela fonctionne bien.

    OriginalL'auteur brian d foy