DIV CSS 佈局教程網

用正則表達式清掉 HTML 標籤的實作討論
編輯:關於JavaScript     

出發點

我寫了一條正則:<(.|\n)+?>。它是非貪婪、可跨行的,用來把 HTML 標籤全部替換掉沒問題。

但接著有兩個問題浮現:有沒有可能反過來,直接抓到「非 HTML 標籤」的部分?另外就是擷取字串長度——下面這個寫法沒有區分中文與非中文,切出來的長度總是忽長忽短。

 public static string formatString(string str, int size) {
    string temp = str;
    Regex regex = new Regex("<.+?>");
    temp = regex.Replace(str, "");
    temp = temp.Replace("\r\n", "");
    temp = temp.Replace("&nbsp;", "");

    if (temp.Length >= size) {
        temp = temp.Substring(0, size - 3) + " ...";
    }
    return temp;
}

第一個問題:抓「非標籤」內容

不必繞路先抓標籤再替換。要留下標籤以外的文字,用 String.Split 搭配正則是最省事的:

 string html = "<p>你好<b>世界</b></p>";
 // 以標籤為分隔點切開,只取奇數索引(或反過來取偶數)
 string[] parts = Regex.Split(html, "<[^>]*>");
 string text = string.Concat(parts);   // "你好世界"

另一個更明確的做法是用 Regex.Replace 搭配 MatchEvaluator,在回呼裡決定要保留還是丟棄:

 string text = Regex.Replace(html, "<[^>]*>", m => "");

順帶一提,<(.|\n)+?> 可以簡寫成 <[\s\S]*?> 或直接 <[^>]*>。後者更好,因為 [^>]* 天然不會跨過 >,不必靠 ? 約束貪婪,也不會遇到效能 backtracking 的問題。原始的 (.|\n)+? 在長字串上可能相當慢。

第二個問題:中文的字串長度

這個問題的根因不在正則,而在「string.Length 算的是什麼」。C# 的字串是 UTF-16,Length 回傳的是 UTF-16 碼元數量。 ASCII 字元佔 1 個,中文常用字也是佔 1 個,但 emoji 與部分罕用字(例如「𠀀」這類擴充 B 區字元)會佔 2 個。所以你看到的長短不一,並不是中英混排的問題,而是這類字元的關係。

若你的目的是「視覺上排下來差不多寬」,那要按顯示寬度計算,而不是按字元數:

 public static int DisplayWidth(string s) {
    int w = 0;
    foreach (char c in s) {
        // 全形字元(CJK、全形標點)算 2,半形算 1
        w += (c >= 0x1100 && (
              c <= 0x115F ||                       // 諺文字母
              (c >= 0x2E80 && c <= 0xA4CF) ||       // CJK 部首到康熙部首
              (c >= 0xAC00 && c <= 0xD7A3) ||       // 諺文音節
              (c >= 0xF900 && c <= 0xFAFF) ||       // CJK 相容表意
              (c >= 0xFF00 && c <= 0xFF60))) ? 2 : 1;
    }
    return w;
}

public static string formatString(string str, int maxWidth) {
    string temp = Regex.Replace(str, "<[^>]*>", "");
    temp = temp.Replace("\r\n", "").Replace("&nbsp;", "");

    if (DisplayWidth(temp) <= maxWidth) return temp;

    var sb = new StringBuilder();
    int w = 0;
    foreach (char c in temp) {
        int cw = (c >= 0x2E80 && c <= 0xFF60) ? 2 : 1;
        if (w + cw > maxWidth - 3) break;
        sb.Append(c);
        w += cw;
    }
    return sb.ToString() + " ...";
}

另外別忘了 Substring 有可能把 UTF-16 代理對(也就是 emoji 的一半)切開,產生一個無法顯示的亂碼字元。要徹底避免,改用 StringInfo 或 EnumerateRunes() 以「字元簇」為單位迭代。

小結

兩個問題的答案其實指向同一件事:正則只負責「找出範圍」,怎麼算、怎麼切,該由後面的程式邏輯處理。把 <.+?> 換成 <[^>]*> 解決效能與正確性,把 Length 換成自訂的顯示寬度計算解決長短不一,這個函式就夠用了。

以上就是這篇的全部內容,希望給你一個參考。

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