从HTML内容中删除脚本标记
我正在使用HTML净化器（http://htmlpurifier.org/）
我只想删除<script>标签。 我不想删除内联格式或任何其他的东西。
我怎样才能做到这一点？
还有一件事，它有任何其他的方式来从HTML中删除脚本标签
因为这个问题是用正则expression式标记的，所以我将在这种情况下回答穷人的解决scheme：
$html = preg_replace('#<script(.*?)>(.*?)</script>#is', '', $html);
但是，正则expression式并不是用来parsingHTML / XML的，即使你编写了完美的expression式，它最终也会被打破，这是不值得的，但是在某些情况下，快速修复一些标记是有用的，忘记安全 。 仅在您信任的内容/标记上使用正则expression式。
记住，任何用户input都应该被认为是不安全的 。
这里更好的解决scheme是使用专门为此devise的DOMDocument 。 这里是一个片段，演示了如何简单，清洁（与正则expression式相比），（几乎）可靠和（几乎）安全的是做同样的事情：
<?php $html = <<<HTML ... HTML; $dom = new DOMDocument(); $dom->loadHTML($html); $script = $dom->getElementsByTagName('script'); $remove = []; foreach($script as $item) { $remove[] = $item; } foreach ($remove as $item) { $item->parentNode->removeChild($item); } $html = $dom->saveHTML();
我有意删除了HTML，因为即使这可以bork 。
使用PHP DOMDocumentparsing器。
$doc = new DOMDocument(); // load the HTML string we want to strip $doc->loadHTML($html); // get all the script tags $script_tags = $doc->getElementsByTagName('script'); $length = $script_tags->length; // for each tag, remove it from the DOM for ($i = 0; $i < $length; $i++) { $script_tags->item($i)->parentNode->removeChild($script_tags->item($i)); } // get the HTML string back $no_script_html_string = $doc->saveHTML();
这使我使用以下的HTML文件：
<!doctype html> <html> <head> <meta charset="utf-8"> <title> hey </title> <script> alert("hello"); </script> </head> <body> hey </body> </html>
请记住， DOMDocumentparsing器需要PHP 5或更高版本。
如果可用，我会使用BeautifulSoup。 使这种事情很容易。
不要试图用正则expression式来做。 那就是疯狂。
我一直在努力解决这个问题。 我发现你只需要一个function。 explode（'>'，$ html）; 任何标签的唯一公分母是<和>。 然后通常是引号（“），一旦find共同点，就可以很容易地提取信息，这就是我想到的：
$html = file_get_contents('http://some_page.html'); $h = explode('>', $html); foreach($h as $k => $v){ $v = trim($v);//clean it up a bit if(preg_match('/^(<script[.*]*)/ius', $v)){//my regex here might be questionable $counter = $k;//match opening tag and start counter for backtrace }elseif(preg_match('/([.*]*<\/script$)/ius', $v)){//but it gets the job done $script_length = $k - $counter; $counter = 0; for($i = $script_length; $i >= 0; $i--){ $h[$k-$i] = '';//backtrace and clear everything in between } } } for($i = 0; $i <= count($h); $i++){ if($h[$i] != ''){ $ht[$i] = $h[$i];//clean out the blanks so when we implode it works right. } } $html = implode('>', $ht);//all scripts stripped. echo $html;
我看到这真的只适用于脚本标记，因为你永远不会有嵌套的脚本标记。 当然，您可以轻松地添加更多的代码来执行相同的检查并收集嵌套的标签。
我把它称为手风琴编码。 爆（）;爆炸（）; 如果你有一个共同的分母，那么让你的逻辑stream动的最简单的方法是。
短：
$html = preg_replace("/<script.*?\/script>/s", "", $html);
做正则expression式的时候可能会出错，所以这样做更安全：
$html = preg_replace("/<script.*?\/script>/s", "", $html) ? : $html;
所以当“事故”发生的时候，我们得到原始的$ html而不是空string。
- 这是一个合并的ClandestineCoder和Binh WPO 。
脚本标签箭头的问题是它们可以有多个变体
恩。 （<=
<=&lt;）＆（> =>=&gt;）
所以不是像创build一个bazillion变体一样创build一个模式数组，而是一个更好的解决scheme
return preg_replace('/script.*?\/script/ius', '', $text) ? preg_replace('/script.*?\/script/ius', '', $text) : $text;
这将删除任何看起来像script.../script无论箭头代码/变体，你可以在这里testing它https://regex101.com/r/lK6vS8/1
修改ctf0的答案的一个例子。 这应该只做preg_replace一次，但也检查错误和阻止正斜杠的字符代码。
$str = '<script> var a - 1; </script>'; $pattern = '/(script.*?(?:\/|/|/)script)/ius'; $replace = preg_replace($pattern, '', $str); return ($replace !== null)? $replace : $str;
如果您使用的是PHP 7，则可以使用空的合并运算符来更简化它。
$pattern = '/(script.*?(?:\/|/|/)script)/ius'; return (preg_replace($pattern, '', $str) ?? $str);
