¿Cómo puedo eliminar etiquetas HTML de una cadena ColdFusion?

Question

Estoy buscando una forma rápida de analizar las etiquetas HTML de una cadena ColdFusion. Estamos obteniendo un feed RSS que potencialmente podría contener algo. Entonces estamos manipulando la información y luego escupiéndola a otro lugar. Actualmente estamos haciendo esto con una expresión regular. ¿Hay una mejor manera de hacer esto?

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

Estamos utilizando ColdFusion 8.

Answer 1

Negación Soy un firme defensor de la utilización de un analizador adecuado (en lugar de expresiones regulares) para analizar HTML. Sin embargo, esta pregunta no se trata de de análisis HTML, sino de que destruye. Para todas las tareas que van más allá de eso, use un analizador.

---

Creo que su expresión regular es buena. Siempre que no haya nada más que eliminando todas las etiquetas HTML de la entrada, usar una expresión regular como la suya es seguro.

Cualquier otra cosa sería probablemente más problemas de lo que vale, pero que podría escribir una pequeña función que recorra la cadena char-por-char de una vez y elimina todo lo que está dentro de los soportes de etiquetas — por ejemplo:

• interruptor en un "Intag" bandera tan pronto como se encuentra con un carácter "<",
• interruptor de apagado tan pronto como se encuentra con ">"
• personajes copia a la cadena de salida, siempre y cuando el indicador está apagado
• para el rendimiento, utilice un objeto StringBuilder de Java en lugar de la concatenación de cadenas

Para una parte de alta demanda de su aplicación, esto puede ser más rápido que la expresión regular. Pero la expresión regular es limpia y probablemente lo suficientemente rápida.

Tal vez esta expresión regular modificado tiene algunas ventajas para usted:

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

• capturas etiquetas sin cerrar al final de la cadena
• [^>]* es mejor que (.|\n)

El uso de REReplaceNoCase() es innecesario cuando no hay letras reales en el patrón. La coincidencia de expresiones regulares insensible a mayúsculas y minúsculas es más lenta que hacerlo con mayúsculas y minúsculas.

Answer 2

La mejor manera es generalmente forzar < a < y > a >. De esta forma, no está haciendo suposiciones sobre la naturaleza del mensaje. Alguien puede estar hablando de <tags> o tratando de ser <<expressive>> o describiendo una pulsación de tecla <Ctrl>+C o usando las matemáticas 1 <x> 3.Incluso emoticones podrían desencadenar la expresión regular <8P X>

<cfloop from="1" to="#ArrayLen(myFeed.item)#" index="i"> 
    <cfset myFeed.item[i].description.value = ReplaceList(myFeed.item[i].description.value, '<,>', '&lt;,&gt;')> 
</cfloop> 

Answer 3

HTML no es un lenguaje regular, por lo que el uso de expresiones regulares en HTML (no controlado) es algo que se debe hacer con mucho cuidado (si acaso).

Consideremos, por ejemplo, el válida segmento siguiente del HTML:

<img src="boat.jpg" alt="a boat" title="My boat is > everything! I <3 my boat!"> 

Se habrá dado cuenta cómo el resaltador de sintaxis está ahogando en que - al igual que la expresión regular existente que ha sido ofrecido.

A menos que usted puede estar seguro de que la cadena está procesando no contendrá código HTML similar a la anterior, se debe evitar hacer suposiciones/compromiso, que una sola/ruta pura expresión regular sería forzarlo a hacer.

. (Nota: El mismo problema se aplica al método sugerido char-por-char demasiado)

para resolver su problema, se debe utilizar un analizador DOM para analizar su cadena en un objeto HTML, de enlace a través de cada elemento y convirtiendo a texto.

Si tiene XHTML válido, entonces puede usar CF XmlParse() para producir el objeto que luego puede recorrer. Si podría ser HTML no XML, entonces no hay una opción incorporada con CF8, por lo que deberá investigar las opciones en Java/etc.

Answer 4

cflib es su amigo: stripHTML

Answer 5

utilizo este:

REReplaceNoCase(text, "<[^[:space:]][^>]*>", "", "ALL"); 

99% de los casos funciona bien.

Answer 6

<cfset a = "<b><font color = 'red'>(PCB) <1 ppm </font></b>"> 

<cfset b = REReplaceNoCase(a, "<[^><]*>", '', 'ALL')> 

<cfdump var="#b#"> 

salida b = "(PCB) < 1 ppm"

la expresión regular "< [^> <] *>" eliminará todas las etiquetas y los caracteres dentro de esas etiquetas y no eliminar las etiquetas individuales como < o> que se puede utilizar como menor o mayor que el símbolo en la cadena