在處理使用者輸入、爬蟲抓回的内容或富文本過濾時,常需要把 HTML 字串裡的 <script> 段落整段剝掉,避免它進入頁面後被執行。最簡潔的做法是用一條忽略大小寫的正則,把開頭標籤到結尾標籤之間的所有字元一併吃掉。
/**
* 去除 HTML 字串中的 script 片段
* 同時涵蓋 與 兩種形式
*/
public class Regex {
public static void main(String[] args) {
// 注意:範例字串刻意混雜大小寫
String s = "<script type='text/javascript'>aaaa</SCript>bbbbbbbbb<SCRIPT type='text/javascript' />ccccc<SCRIPT type='text/javascript' >mm</SCRIPT>";
s = s.replaceAll("(?i)(<SCRIPT)[\\s\\S]*?((</SCRIPT>)|(/>))", "");
System.out.println(s);
}
}
執行結果:bbbbbbbbbccccc
(?i):忽略大小寫旗標,讓 <script>、<SCRIPT>、<ScRiPt> 都能命中。
(<SCRIPT):錨定開頭標籤。
[\\s\\S]*?:懶惰比對任意字元(含換行)。這裡刻意用 [\\s\\S] 而非 .,因為 . 預設不會跨行,遇到多行腳本就會漏抓。
((</SCRIPT>)|(/>)):收尾要同時兼容成對標籤與自封閉寫法。
正則適合快速清理格式正常的內容,但它並不是 HTML 解析器。若內容來源不可信、結構可能任意變形(例如屬性值裡含 >、標籤未閉合),仍應改用專門的解析庫或 sanitizer,才能避免繞過。此外,除了 script,同類風險還有 iframe、object、行內 onerror/onclick 等事件屬性,過濾時一併處理才嚴謹。