<div> </div>我正在尝试用正则表达式模式替换 golang 中空字符串 (" ") 上的所有 html 标记，例如... ^[^.\/]*$/g，以匹配所有关闭标记。前任 ：</div>我的解决方案：package mainimport ( "fmt" "regexp")const Template = `^[^.\/]*$/g`func main() { r := regexp.MustCompile(Template) s := "afsdf4534534!@@!!#<div>345345afsdf4534534!@@!!#</div>" res := r.ReplaceAllString(s, "") fmt.Println(res)}但输出相同的源字符串。怎么了？请帮忙。感谢期望结果应该："afsdf4534534!@@!!#345345afsdf4534534!@@!!#"
4 回答
波斯汪
// Google
TA贡献1811条经验 获得超4个赞
对于那些来这里寻找快速解决方案的人来说，有一个库可以做到这一点：bluemonday。
包bluemonday提供了一种将 HTML 元素和属性的白名单描述为策略的方法，并将该策略应用于来自可能包含标记的用户的不受信任的字符串。所有不在白名单上的元素和属性都将被删除。
package main
import (
"fmt"
"github.com/microcosm-cc/bluemonday"
)
func main() {
// Do this once for each unique policy, and use the policy for the life of the program
// Policy creation/editing is not safe to use in multiple goroutines
p := bluemonday.StripTagsPolicy()
// The policy can then be used to sanitize lots of input and it is safe to use the policy in multiple goroutines
html := p.Sanitize(
`<a onblur="alert(secret)" href="http://www.google.com">Google</a>`,
)
// Output:
fmt.Println(html)
}
https://play.golang.org/p/jYARzNwPToZ
蝴蝶刀刀
TA贡献1801条经验 获得超8个赞
正则表达式的问题
这是一个非常简单的 RegEx 替换方法，它从字符串中格式良好的HTML中删除 HTML 标记。
strip_html_regex.go
package main
import "regexp"
const regex = `<.*?>`
// This method uses a regular expresion to remove HTML tags.
func stripHtmlRegex(s string) string {
r := regexp.MustCompile(regex)
return r.ReplaceAllString(s, "")
}
注意：这不适用于格式错误的HTML。不要用这个。
更好的方法
由于 Go 中的字符串可以被视为字节的一部分，因此可以轻松遍历字符串并查找不在 HTML 标记中的部分。当我们识别字符串的有效部分时，我们可以简单地截取该部分的一部分并使用strings.Builder.
strip_html.go
package main
import (
"strings"
"unicode/utf8"
)
const (
htmlTagStart = 60 // Unicode `<`
htmlTagEnd = 62 // Unicode `>`
)
// Aggressively strips HTML tags from a string.
// It will only keep anything between `>` and `<`.
func stripHtmlTags(s string) string {
// Setup a string builder and allocate enough memory for the new string.
var builder strings.Builder
builder.Grow(len(s) + utf8.UTFMax)
in := false // True if we are inside an HTML tag.
start := 0 // The index of the previous start tag character `<`
end := 0 // The index of the previous end tag character `>`
for i, c := range s {
// If this is the last character and we are not in an HTML tag, save it.
if (i+1) == len(s) && end >= start {
builder.WriteString(s[end:])
}
// Keep going if the character is not `<` or `>`
if c != htmlTagStart && c != htmlTagEnd {
continue
}
if c == htmlTagStart {
// Only update the start if we are not in a tag.
// This make sure we strip out `<<br>` not just `<br>`
if !in {
start = i
}
in = true
// Write the valid string between the close and start of the two tags.
builder.WriteString(s[end:start])
continue
}
// else c == htmlTagEnd
in = false
end = i + 1
}
s = builder.String()
return s
}
如果我们使用 OP 的文本和一些格式错误的 HTML 运行这两个函数，您会发现结果不一致。
main.go
package main
import "fmt"
func main() {
s := "afsdf4534534!@@!!#<div>345345afsdf4534534!@@!!#</div>"
res := stripHtmlTags(s)
fmt.Println(res)
// Malformed HTML examples
fmt.Println("\n:: stripHTMLTags ::\n")
fmt.Println(stripHtmlTags("Do something <strong>bold</strong>."))
fmt.Println(stripHtmlTags("h1>I broke this</h1>"))
fmt.Println(stripHtmlTags("This is <a href='#'>>broken link</a>."))
fmt.Println(stripHtmlTags("I don't know ><where to <<em>start</em> this tag<."))
// Regex Malformed HTML examples
fmt.Println(":: stripHtmlRegex ::\n")
fmt.Println(stripHtmlRegex("Do something <strong>bold</strong>."))
fmt.Println(stripHtmlRegex("h1>I broke this</h1>"))
fmt.Println(stripHtmlRegex("This is <a href='#'>>broken link</a>."))
fmt.Println(stripHtmlRegex("I don't know ><where to <<em>start</em> this tag<."))
}
输出：
afsdf4534534!@@!!#345345afsdf4534534!@@!!#
:: stripHTMLTags ::
Do something bold.
I broke this
This is broken link.
start this tag
:: stripHtmlRegex ::
Do something bold.
h1>I broke this
This is >broken link.
I don't know >start this tag<.
注意：RegEx 方法不会始终如一地删除所有 HTML 标记。老实说，我不太擅长 RegEx，无法编写 RegEx 匹配字符串来正确处理剥离 HTML。
基准
除了在剥离格式错误的 HTML 标签方面更安全和更积极的优势之外，stripHtmlTags它比 . 快 4 倍左右stripHtmlRegex。
> go test -run=Calculate -bench=.
goos: windows
goarch: amd64
BenchmarkStripHtmlRegex-8 51516 22726 ns/op
BenchmarkStripHtmlTags-8 230678 5135 ns/op
萧十郎
TA贡献1815条经验 获得超12个赞
如果你想替换所有的 HTML 标签，使用 strip of html 标签。
匹配 HTML 标签的正则表达式不是一个好主意。
package main
import (
"fmt"
"github.com/grokify/html-strip-tags-go"
)
func main() {
text := "afsdf4534534!@@!!#<div>345345afsdf4534534!@@!!#</div>"
stripped := strip.StripTags(text)
fmt.Println(text)
fmt.Println(stripped)
}
至尊宝的传说
TA贡献1789条经验 获得超10个赞
我们已经在生产中尝试过这个，但在某些极端情况下，所提出的解决方案都没有真正起作用。如果你需要一些强大的东西，请检查 Go 内部库的未导出方法（html-strip-tags-go pkg 基本上是使用 BSD-3 许可证导出的）。或者https://github.com/microcosm-cc/bluemonday是我们最终使用的非常流行的库（也包括 BSD-3）。
=================================================
这里唯一的区别是由于len对所有 utf-8 字符的字符串评估。对于使用的每个字符，它将返回 1-4 之间。所以len(è)实际上会评估为2. 为了解决这个问题，我们将把字符串转换为rune.
https://go.dev/play/p/xo7Mrx5qw-_J
// Aggressively strips HTML tags from a string.
// It will only keep anything between `>` and `<`.
func stripHTMLTags(s string) string {
// Supports utf-8, since some char could take more than 1 byte. ie: len("è") -> 2
d := []rune(s)
// Setup a string builder and allocate enough memory for the new string.
var builder strings.Builder
builder.Grow(len(d) + utf8.UTFMax)
in := false // True if we are inside an HTML tag.
start := 0 // The index of the previous start tag character `<`
end := 0 // The index of the previous end tag character `>`
for i, c := range d {
// If this is the last character and we are not in an HTML tag, save it.
if (i+1) == len(d) && end >= start {
builder.WriteString(s[end:])
}
// Keep going if the character is not `<` or `>`
if c != htmlTagStart && c != htmlTagEnd {
continue
}
if c == htmlTagStart {
// Only update the start if we are not in a tag.
// This make sure we strip out `<<br>` not just `<br>`
if !in {
start = i
}
in = true
// Write the valid string between the close and start of the two tags.
builder.WriteString(s[end:start])
continue
}
// else c == htmlTagEnd
in = false
end = i + 1
}
s = builder.String()
return s
}
- 4 回答
- 0 关注
- 300 浏览
添加回答
举报
0/150
提交
取消