只删除有效的html

Question

我正在尝试从一段文本中剥离HTML标记。 但是麻烦是无论我使用什么-正则表达式，strip_tags等。都会遇到相同的问题：它还会剥离不是HTML而是看起来像文本的文本。

Some <foo@bar.com> Content--> Some Content
Some <Content which looks like this --> Some 

有办法解决这个问题吗？

Answer 1

完全正确的解决方案将是成熟的HTML解析器。 有关完整讨论，请参见这个传奇问题 。

一个简单的80％解决方案是查找所有已知标签并将其剥离。

RegExp('</?(a|b|blockquote|cite|dd|dl|dt|...|u)\b.*?>')

如果使用标签数组并在遍历标签时构建表达式，则代码将更具可读性。 它不会很好地处理评论，因此，如果您需要的不仅仅是hack质量，请不要使用hack方法。 如果需要正确性，请使用实际的HTML解析器（例如PHP中的DOMDocument）。

Answer 2

您是否尝试过HTML Purifier库？ 您可以配置它以剥离所有标签，我发现该库非常可靠。