抓到一段 HTML 片段、想取出純文字內容時,第一個想到的就是用正則把標籤去掉。這篇記錄一個可用的實作,並逐段拆解所用到的正則語法。
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無法過濾網頁中常見的不折行空格實體( )。加上一條規則就好了:
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(/ /ig, ' '); // 把 換成普通空格
str = str.replace(/<|>|&|"/g, function (m) {
return { '<': '<', '>': '>', '&': '&', '"': '"' }[m];
});
return str;
}
順手把 <、>、&、" 這些常見的 HTML 實體也還原了。只處理 的話,頁面上的 & 就會原樣顯示出來,看起來像沒清乾淨。
先說明:正則表達式本身我也是邊學邊用,以下解釋未必嚴謹,僅供參考。
在 JavaScript 中,正則是以 / 包起來的字面量。結尾的 /g 是 global 標記,表示要套用於整個字串,而不是找到第一個匹配就停。
中間的 <\/?[^>]*> 可以拆成三部分看:
<\/? —— \ 是跳脫字元,用來跳脫後面的 /(因為 / 是正則的定界符,必須跳脫才能當普通字元)。? 則是「匹配 0 或 1 個前面的字元」。所以這段匹配的是 </ 或 <,也就是 HTML 標籤的開頭兩種形式。
[^>]* —— [] 組成字元集合,^ 放在集合開頭時代表「不屬於」,所以 [^>] 是「除了 > 之外的任何字元」。* 是「匹配 0 或多次前面的東西」。合起來就是「連續吃進所有非 > 的字元」。
> —— 最後的字面 >,標籤的結尾。
三段串起來,就完整匹配了一個 HTML 標籤。舉例來說,<div>、</div>、<br />、<img src="a.jpg"> 都能被正確吃掉。
注意這裡有個常見誤解:[^>] 中的 ^ 是「集合內取反」,而 ^When 這種寫法中的 ^ 才是「一行的開頭」。兩者位置不同、意義完全不同,初學時很容易混淆。
這條的用意是移除每行尾端的空白。[ | ] 這個字元集合其實寫得含糊——它包含「空格」、「管線符號 |」與「空格」三個成員,等於「空格或 |」。在集合裡 | 沒有「或」的意思,就是一個普通字元,所以這裡的 | 是不必要的。更清楚的寫法是 [ \t]*\n 或直接 \s*\n。
這條沒有特殊語法,就是直接找 這個字面。/ig 兩個修飾符:g 是全域、i 是不區分大小寫(因為 HTML 實體寫成 &NBSP; 也有效)。
必須誠實說一個重要前提:用正則表達式解析 HTML 是不可靠的。HTML 不是規則語言,上面的 <\/?[^>]*> 遇到這些情況就會出錯:
· 屬性值裡含 >,例如 <a title="a > b">
· <script> 或 <style> 標籤內的 JavaScript 運算子,例如 if (a < b)
· 註解 <!-- ... --> 裡含有多個 >
· CDATA 區段、處理指令等
所以正則版只適合處理「已知結構單純、來源可信」的片段。若要處理任意 HTML,正確做法是用 DOM 解析器:
function htmlToText(html) {
var div = document.createElement("div");
div.innerHTML = html;
return div.textContent || div.innerText || "";
}
// 需求更複雜時用 DOMParser
function htmlToTextSafe(html) {
var doc = new DOMParser().parseFromString(html, "text/html");
return doc.body.textContent;
}
要注意 innerHTML 會執行插入內容中的 <img onerror> 這類事件屬性,處理不可信來源時應改用 DOMParser(它解析出的文件是「不活躍」的,不會執行腳本或載入資源)。
若是在伺服器端(Node.js),用 cheerio 或 node-html-parser;.NET 用 HtmlAgilityPack。這些都是真正的 HTML 解析器,能正確處理上述所有邊界狀況。