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。
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 ),於是又補了一句:
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
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)。
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:
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。
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。
直接查找 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; 都能被清掉。
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。