DIV CSS 佈局教程網

用正則表達式過濾 HTML 標籤與空白字元,並逐段拆解那三條規則
編輯:JavaScript綜合知識     

抓回來的網頁內容常常夾著一堆標籤和  ,要存進資料庫或做摘要之前得先清乾淨。這個需求用幾條正則就能解決,但第一次看到那些語法實在很費解,所以這篇把每條規則拆開來說明。

初版:三條規則

function setContent(str) {
  str = str.replace(/</?[^>]*>/g, '');   // 去除 HTML tag
  str = str.replace(/[ | ]*n/g, 'n');     // 去除行尾空白
  // str = str.replace(/n[s| | ]*r/g, 'n'); // 去除多餘空行
  return str;
}

測試時發現這段程式沒辦法過濾掉網頁中的空白字元(也就是 &nbsp;),於是又補了一句:

改良版

function removeHTMLTag(str) {
  str = str.replace(/</?[^>]*>/g, '');   // 去除 HTML tag
  str = str.replace(/[ | ]*n/g, 'n');     // 去除行尾空白
  // str = str.replace(/n[s| | ]*r/g, 'n'); // 去除多餘空行
  str = str.replace(/ /ig, '');        // 去掉 &nbsp;
  return str;
}

這樣需求就達到了。以下逐條說明用到的三條正則(自己也是剛接觸,解釋未必嚴謹,僅供參考)。

第一條:/</?[^>]*>/g

在 JavaScript 中,正則表達式以「/」起始,尾部的 /g 表示全域模式——把比對套用到整個字串,而不是找到第一個匹配就停。

中間的 </?[^>]*> 拆開看:

  • 反斜線是跳脫字元,用來跳脫後面的斜線。
  • ? 匹配 0 或 1 個正好在它之前的那個字元(註:並非所有實作都支援這個元字元)。所以 </? 就能匹配 HTML 標籤裡的「</」或「<」兩種開頭。

再來看 [^>]*>。[] 的字元集合概念如下圖:

^ 的字面意義是「匹配一行的開始」。例如正則 ^When in 能匹配字串 "When in the course of human events" 的開頭,但無法匹配 "What and When in the",也就是只匹配以「When in」起頭的文字。不過放在 [] 裡面時,^ 的意思變成「不屬於」。

* 則是匹配 0 或多個正好在它之前的那個字元。例如 .* 意味著能匹配任意數量的任意字元。

所以 [^>]* 的意思是「匹配 > 以外的字元」。[^>] 可以匹配出的片段像這樣:

div
我需要的文字</div

我需要的文字</p

* 和前面的 [^>] 結合,就能匹配更長的片段:

div>我需要的文字</div
p>我需要的文字</p
br /

再加上最後那個 >,就完整了:

div>我需要的文字</div>
p>我需要的文字</p>
br />

這樣一對 HTML 標籤就被匹配掉了。整體寫法確實有點繞,但拆成「開頭 <、中間非 > 的任意字元、結尾 >」三段來理解就通了。

第二條:/[ | ]*n/g

這條連原作者也說沒看懂。字元集合 [ | ] 裡的 | 其實是個普通字元而非「或」,加上空格與 n,整體語意相當模糊,實務上大概不會這麼寫。真要移除行尾空白,用 /\s+$/gm 會清楚得多。

第三條:/&nbsp;/ig

直接查找 &nbsp; 這個字串。後面的 /ig 表示全域(g)且不區分大小寫(i)地搜尋,所以 &nbsp;、&NBSP; 都能被清掉。

更實際的建議

正則清洗 HTML 是個經典陷阱:遇到 <script> 內容、註解、屬性裡的 > 這些情況就會出錯。如果目標只是把 HTML 轉成純文字,把字串塞進一個暫時元素再取 textContent 會穩健很多:

function htmlToText(html) {
  var div = document.createElement('div');
  div.innerHTML = html;
  return div.textContent || div.innerText || '';
}

正則適合處理格式已知、結構單純的字串;任意的 HTML 還是交給瀏覽器的解析器比較安全。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved