这是用于.NET。设置了IgnoreCase,未设置MultiLine。
通常我在正则表达式方面很体面,也许我的咖啡因含量低…
允许用户输入HTML编码的实体(<lt;,<amp;等),并使用以下HTML标签:
u, i, b, h3, h4, br, a, img
允许自动关闭和,带有或不带有额外的空间,但不是必需的。
我想要:
到目前为止,我的搜索模式(替换为空字符串):
<(?!i|b|h3|h4|a|img|/i|/b|/h3|/h4|/a|/img)[^>]+>
除了开始和结束标签,这 似乎 正在剥离所有标签,但是存在三个问题:
以下建议的模式不会去除没有属性的标记。
</?(?!i|b|h3|h4|a|img)\b[^>]*>
如下所述,“>”在属性值中是合法的,但是可以肯定地说我将不支持。另外,将没有CDATA块等需要担心的问题。只是一些HTML。
漏洞的答案是迄今为止最好的答案,谢谢!这是他的模式(希望PRE对我更有效):
static string SanitizeHtml(string html) { string acceptable = "script|link|title"; string stringPattern = @"</?(?(?=" + acceptable + @")notag|[a-zA-Z0-9]+)(?:\s[a-zA-Z0-9\-]+=?(?:([""']?).*?\1?)?)*\s*/?>"; return Regex.Replace(html, stringPattern, "sausage"); }
我认为仍可以对此答案进行一些小调整:
我认为可以对此进行修改以捕获简单的HTML注释(那些自身不包含标签的注释),方法是在“ acceptable”变量中添加“!-”,并对表达式的末尾进行少量更改以允许可选的尾随“ \ s–”。
我认为,如果属性之间存在多个空格字符(例如:格式很重的HTML,其中包含换行符和属性之间的制表符),则这会中断。
编辑2009-07-23: 这是我使用的最终解决方案(在VB.NET中):
Dim AcceptableTags As String = "i|b|u|sup|sub|ol|ul|li|br|h2|h3|h4|h5|span|div|p|a|img|blockquote" Dim WhiteListPattern As String = "</?(?(?=" & AcceptableTags & _ ")notag|[a-zA-Z0-9]+)(?:\s[a-zA-Z0-9\-]+=?(?:([""']?).*?\1?)?)*\s*/?>" html = Regex.Replace(html, WhiteListPattern, "", RegExOptions.Compiled)
需要注意的是,A标签的HREF属性仍然被清除,这是不理想的。
这是我为此任务编写的函数:
static string SanitizeHtml(string html) { string acceptable = "script|link|title"; string stringPattern = @"</?(?(?=" + acceptable + @")notag|[a-zA-Z0-9]+)(?:\s[a-zA-Z0-9\-]+=?(?:(["",']?).*?\1?)?)*\s*/?>"; return Regex.Replace(html, stringPattern, "sausage"); }
编辑:由于某种原因,我将对先前答案的更正发布为单独的答案,因此我在此处进行合并。
我会解释一下正则表达式,因为它有点长。
第一部分与右方括号匹配,并使用0或1斜杠(如果它是结束标记)。
接下来,您将看到一个if-then构造,并具有前瞻性。(?(?= SomeTag)then | else)我正在检查字符串的下一部分是否是可接受的标签之一。您可以看到我将regex字符串与可接受的变量连接在一起,该变量是由竖线分隔的可接受的标记名,以便任何术语都可以匹配。如果匹配,则可以看到我输入了“ notag”一词,因为没有标签可以匹配它,如果可以接受,我想不加理会。否则,我将转到其他部分,在该部分我会匹配任何标签名称[az,AZ,0-9] +
接下来,我想匹配0个或多个属性,这些属性假定为attribute =“ value”形式。所以现在我将代表属性的那一部分分组,但是我使用?:来防止为速度而捕获该组:(?:\ s [az,AZ,0-9,-] + =?(?:([“ “,’]?)。 ?\ 1?))
在这里,我从标签和属性名称之间的空白字符开始,然后匹配属性名称:[az,AZ,0-9,-] +
接下来,我匹配一个等号,然后再引用一个。我对报价进行了分组,以便将其捕获,以后可以\ 1进行反向引用以匹配相同类型的报价。在这两个引号之间,您可以看到我使用句点来匹配任何内容,但是我使用的是惰性版本?而不是贪婪的版本,因此它将仅与将终止该值的下一个引号匹配。
接下来,我们在用圆括号括起来的组之后放一个*,以便它可以匹配多个属性/值组合(或不匹配)。最后,我们用\ s匹配一些空格,并在xml样式自闭标签的标签中将0或1的结尾斜杠匹配。
您可以看到我正在用香肠替换标签,因为我饿了,但是您也可以用空字符串替换它们以清除它们。