Удаление определенных тегов HTML с помощью CFML

Мне нужно регулярное выражение, чтобы удалить все экземпляры <FONT> и любые свойства, которые могут быть внутри него, такие как <FONT size=2 face=Verdana> и его закрывающий тег </FONT>. строка, которую я возвращаю, тег шрифта может содержать любое свойство и различные варианты значений для этих свойств, а структура html несовместима. это один из примеров того, что я получаю в виде строки:

<UL>
    <LI><FONT size=2 face=Verdana>random text<STRONG>random text</STRONG>random text<SPAN style="LINE-HEIGHT: 115%; FONT-FAMILY: 'Arial','sans-serif'; FONT-SIZE: 11pt; mso-fareast-font-family: 'Times New Roman'; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA"><SPAN style="mso-spacerun: yes">&nbsp;</SPAN>random text</SPAN> </FONT></LI>
    <LI><FONT size=2 face=Verdana><FONT size=2 face=Verdana><STRONG>random text</STRONG></FONT></LI> <LI>random text</FONT></LI>
    <LI><FONT size=2 face=Verdana>random text</FONT></LI>
    <LI><FONT size=2 face=Verdana>random text</FONT></LI>

и это то, что я хотел бы, чтобы это выглядело после использования регулярного выражения:

<UL>
    <LI>random text<STRONG>random text</STRONG>random text<SPAN style="LINE-HEIGHT: 115%; FONT-FAMILY: 'Arial','sans-serif'; FONT-SIZE: 11pt; mso-fareast-font-family: 'Times New Roman'; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA"><SPAN style="mso-spacerun: yes">&nbsp;</SPAN>random text</SPAN></LI>
    <LI><STRONG>random text</STRONG></LI>
    <LI>random text</LI>
    <LI>random text</LI>
    <LI>random text</LI>

Я пробовал разные варианты, и мне удалось удалить часть <FONT, но не ее свойства, окончание > или закрывающий тег </FONT>.

Это пример того, что я использую

loc.result = rereplace(arguments.htmlString, "\\<FONT[^*\\>", "", "ALL");

Я прошу прощения за мой плохой код регулярного выражения, поэтому любые подсказки или предложения будут очень признательны!


regex cfml html-parsing coldfusion lucee
person Phillip Pantaleano    schedule 23.05.2018    source источник
comment
Вот почему вам не следует использовать регулярное выражение для анализа HTML Link. Сказав это, попробуйте (?:<FONT[^>]*>|<\/FONT>). См. демонстрацию.   -  person Matt.G    schedule 23.05.2018
comment
Я не пытаюсь разобрать html, я просто пытаюсь удалить эти теги шрифта.   -  person Phillip Pantaleano    schedule 23.05.2018
comment
Поместите свой html в объект XML и используйте XPath. Гораздо надежнее, чем использование регулярных выражений. Регулярное выражение сломается при первом запуске html с текстом в html, который является примером кода, показывающего, как использовать тег font (например, внутри тега ‹pre› или ‹code›).   -  person Sam M    schedule 24.05.2018
comment
@SamM Вы действительно собираетесь верить, что HTML тоже является допустимым XML?   -  person James A Mohler    schedule 24.05.2018
comment
@JamesAMohler Ты прав, но всегда можно надеяться. Думаю, я бы не стал задерживать дыхание, хотя html является допустимым xml, если html настолько стар, что все еще использует тег шрифта. ;)   -  person Sam M    schedule 24.05.2018

Ответы (2)


arrow_upward
5
arrow_downward

Как писали другие ранее, не используйте для этого REGEX. Используйте парсер HTML, например JSoup.

Загрузите jar-файл JSoup и сохраните его где-нибудь в пути к классам, а затем используйте следующую функцию (синтаксис cfscript, проверено с Lucee, но должен работать с любым механизмом CFML):

<cfscript>
/** removes the given tag from the input html while keeping its contents */ 
function removeTag(input, tagname){

    var Jsoup = createObject("java", "org.jsoup.Jsoup");
    var doc   = Jsoup.parse(arguments.input);
    var body  = doc.body().child(0);
    var tags  = body.select(arguments.tagname);

    for (var tag in tags){
        for (var attr in tag.attributes().asList())
            tag.removeAttr(attr.getKey());
    }

    var result = body.toString();
    result = replace(result, "<#arguments.tagname#>",  "", "all");
    result = replace(result, "</#arguments.tagname#>", "", "all");

    return result;
}
</cfscript>

Затем просто вызовите функцию с кодом HTML, который вы хотите очистить, например:

cleanHtml = removeTag(inputHtml, "font");

Чтобы проверить ваш пример, я добавил следующее:

<cfsavecontent variable="input">
<UL>
    <LI><FONT size=2 face=Verdana>random text 1<STRONG>random text 2</STRONG>random text 3<SPAN style="LINE-HEIGHT: 115%; FONT-FAMILY: 'Arial','sans-serif'; FONT-SIZE: 11pt; mso-fareast-font-family: 'Times New Roman'; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA"><SPAN style="mso-spacerun: yes">&nbsp;</SPAN>random text 4</SPAN> </FONT></LI>
    <LI><FONT size=2 face=Verdana><FONT size=2 face=Verdana><STRONG>random text 5</STRONG></FONT></LI> <LI>random text 5</FONT></LI>
    <LI><FONT size=2 face=Verdana>random text 6</FONT></LI>
    <LI><FONT size=2 face=Verdana>random text 7</FONT></LI>
</cfsavecontent>

<cfdump var="#{ output: removeTag(input, "font"), input: input }#">

И вывод следующий:

введите здесь описание изображения

Я рекомендую также прочитать мою запись в блоге Использование силы Java в CFML

person isapir    schedule 24.05.2018
comment
Не хватает jQuery. - person Phillip Senn; 24.05.2018

arrow_upward
4
arrow_downward

Регулярное выражение можно сделать так: <\/?FONT.*?> (тест и пример).

Но в целом не используйте регулярное выражение для синтаксического анализа HTML/XML. Вот почему: https://stackoverflow.com/a/1732454/2610466

ОБНОВЛЕНИЕ: исправлен ответ для лучшего понимания вопроса.

person Krypt1    schedule 23.05.2018