Usuń HTML z tekstowego JavaScript

Czy istnieje prosty sposób, aby pobrać ciąg HTML w JavaScript i usunąć HTML?

Jeśli korzystasz z przeglądarki, najłatwiej jest po prostu pozwolić przeglądarce zrobić to za Ciebie ...

function stripHtml(html)
{
   var tmp = document.createElement("DIV");
   tmp.innerHTML = html;
   return tmp.textContent || tmp.innerText || "";
}

Uwaga: jak zauważyli ludzie w komentarzach, najlepiej tego uniknąć, jeśli nie kontrolujesz źródła kodu HTML (na przykład nie uruchamiaj go na niczym, co mogłoby pochodzić z danych wprowadzonych przez użytkownika). W przypadku tych scenariuszy nadal możesz pozwolić, aby przeglądarka wykonała pracę za Ciebie - zobacz odpowiedź Saby na temat korzystania z powszechnie dostępnego DOMParser .

myString.replace(/<[^>]*>?/gm, '');

Najprostszy sposób:

jQuery(html).text();

To pobiera cały tekst z ciągu HTML.

Chciałbym udostępnić zredagowaną wersję zatwierdzonej odpowiedzi Shog9 .

Jak zauważył Mike Samuel w komentarzu, ta funkcja może wykonywać wbudowane kody javascript.
Ale Shog9 ma rację mówiąc „pozwól przeglądarce zrobić to za Ciebie ...”

więc .. tutaj moja edytowana wersja przy użyciu DOMParser :

function strip(html){
   var doc = new DOMParser().parseFromString(html, 'text/html');
   return doc.body.textContent || "";
}

tutaj kod do testowania wbudowanego javascript:

strip("<img onerror='alert(\"could run arbitrary JS here\")' src=bogus>")

Ponadto nie żąda zasobów podczas analizowania (jak obrazy)

strip("Just text <img src='https://assets.rbl.ms/4155638/980x.jpg'>")

Jako rozszerzenie metody jQuery, jeśli Twój ciąg może nie zawierać HTML (np. Jeśli próbujesz usunąć HTML z pola formularza)

jQuery(html).text();`

zwróci pusty ciąg, jeśli nie ma HTML

Posługiwać się:

jQuery('<p>' + html + '</p>').text();

zamiast.

Aktualizacja: Jak wskazano w komentarzach, w niektórych okolicznościach to rozwiązanie wykona javascript zawarty w nim, htmljeśli htmlatakujący może wpłynąć na wartość, użyj innego rozwiązania.

Konwertowanie HTML na e-maile w formacie zwykłego tekstu z zachowaniem nienaruszonych hiperłączy (href)

Powyższa funkcja opublikowana przez hipoksyd działa dobrze, ale szukałem czegoś, co w zasadzie przekształciłoby HTML utworzony w edytorze Web RichText (na przykład FCKEditor) i wyczyściło cały HTML, ale zostawiłem wszystkie linki, ponieważ chciałem zarówno HTML, jak i wersja zwykłego tekstu ułatwiająca tworzenie poprawnych części wiadomości e-mail STMP (zarówno HTML, jak i zwykły tekst).

Po długim czasie przeszukiwania Google sam i moi koledzy wymyślili to za pomocą silnika regex w JavaScript:

str='this string has <i>html</i> code i want to <b>remove</b><br>Link Number 1 -><a href="http://www.bbc.co.uk">BBC</a> Link Number 1<br><p>Now back to normal text and stuff</p>
';
str=str.replace(/<br>/gi, "\n");
str=str.replace(/<p.*>/gi, "\n");
str=str.replace(/<a.*href="(.*?)".*>(.*?)<\/a>/gi, " $2 (Link->$1) ");
str=str.replace(/<(?:.|\s)*?>/g, "");

strzmienna zaczyna się tak:

this string has <i>html</i> code i want to <b>remove</b><br>Link Number 1 -><a href="http://www.bbc.co.uk">BBC</a> Link Number 1<br><p>Now back to normal text and stuff</p>

a następnie po uruchomieniu kodu wygląda to tak:

this string has html code i want to remove
Link Number 1 -> BBC (Link->http://www.bbc.co.uk)  Link Number 1


Now back to normal text and stuff

Jak widać, cały HTML został usunięty, a łącze zostało wytrwałe, a hiperłączony tekst jest nadal nienaruszony. Mam również otrzymuje <p>i <br>tagi z\n (char nowego wiersza), tak, że jakiś rodzaj formatowania wizualnego został zatrzymany.

Aby zmienić format linku (np. BBC (Link->http://www.bbc.co.uk)), Po prostu edytuj $2 (Link->$1), gdzie $1jest adres URL / URI href, a $2tekst jest hiperlinkiem. Dzięki linkom bezpośrednio w treści zwykłego tekstu większość klientów poczty SMTP konwertuje je, aby użytkownik mógł je kliknąć.

Mam nadzieję, że to było przydatne.

Poprawa przyjętej odpowiedzi.

function strip(html)
{
   var tmp = document.implementation.createHTMLDocument("New").body;
   tmp.innerHTML = html;
   return tmp.textContent || tmp.innerText || "";
}

W ten sposób coś takiego działa nie zaszkodzi:

strip("<img onerror='alert(\"could run arbitrary JS here\")' src=bogus>")

Firefox, Chromium i Explorer 9+ są bezpieczne. Opera Presto jest nadal podatna na ataki. Również obrazy wymienione w ciągach nie są pobierane w Chromium i Firefox zapisując żądania HTTP.

Powinno to działać w dowolnym środowisku Javascript (w tym NodeJS).

const text = `
<html lang="en">
  <head>
    <style type="text/css">*{color:red}</style>
    <script>alert('hello')</script>
  </head>
  <body><b>This is some text</b><br/><body>
</html>`;

// Remove style tags and content
text.replace(/<style[^>]*>.*<\/style>/gm, '')
    // Remove script tags and content
    .replace(/<script[^>]*>.*<\/script>/gm, '')
    // Remove all opening, closing and orphan HTML tags
    .replace(/<[^>]+>/gm, '')
    // Remove leading spaces and repeated CR/LF
    .replace(/([\r\n]+ +)+/gm, '');

I zmienił odpowiedź Jibberboy2000 w celu uwzględnienia kilku <BR />formatów tagów, usuń wszystko wewnątrz <SCRIPT>i<STYLE> tagów formatowania wynikowy HTML poprzez usunięcie wielu podziały wiersza i spacje i przekonwertować pewną HTML zakodowany kod do normy. Po kilku testach okazuje się, że można przekonwertować większość pełnych stron internetowych na prosty tekst, w którym zachowany jest tytuł strony i treść.

W prostym przykładzie

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">
<html>
<!--comment-->

<head>

<title>This is my title</title>
<meta http-equiv="Content-Type" content="text/html; charset=iso-8859-1">
<style>

    body {margin-top: 15px;}
    a { color: #D80C1F; font-weight:bold; text-decoration:none; }

</style>
</head>

<body>
    <center>
        This string has <i>html</i> code i want to <b>remove</b><br>
        In this line <a href="http://www.bbc.co.uk">BBC</a> with link is mentioned.<br/>Now back to &quot;normal text&quot; and stuff using &lt;html encoding&gt;                 
    </center>
</body>
</html>

staje się

To jest mój tytuł

Ten ciąg ma kod HTML, który chcę usunąć

W tej linii wspomniano BBC ( http://www.bbc.co.uk ) z linkiem.

Teraz wróć do „normalnego tekstu” i innych rzeczy

Funkcja JavaScript i strona testowa wyglądają tak:

function convertHtmlToText() {
    var inputText = document.getElementById("input").value;
    var returnText = "" + inputText;

    //-- remove BR tags and replace them with line break
    returnText=returnText.replace(/<br>/gi, "\n");
    returnText=returnText.replace(/<br\s\/>/gi, "\n");
    returnText=returnText.replace(/<br\/>/gi, "\n");

    //-- remove P and A tags but preserve what's inside of them
    returnText=returnText.replace(/<p.*>/gi, "\n");
    returnText=returnText.replace(/<a.*href="(.*?)".*>(.*?)<\/a>/gi, " $2 ($1)");

    //-- remove all inside SCRIPT and STYLE tags
    returnText=returnText.replace(/<script.*>[\w\W]{1,}(.*?)[\w\W]{1,}<\/script>/gi, "");
    returnText=returnText.replace(/<style.*>[\w\W]{1,}(.*?)[\w\W]{1,}<\/style>/gi, "");
    //-- remove all else
    returnText=returnText.replace(/<(?:.|\s)*?>/g, "");

    //-- get rid of more than 2 multiple line breaks:
    returnText=returnText.replace(/(?:(?:\r\n|\r|\n)\s*){2,}/gim, "\n\n");

    //-- get rid of more than 2 spaces:
    returnText = returnText.replace(/ +(?= )/g,'');

    //-- get rid of html-encoded characters:
    returnText=returnText.replace(/&nbsp;/gi," ");
    returnText=returnText.replace(/&amp;/gi,"&");
    returnText=returnText.replace(/&quot;/gi,'"');
    returnText=returnText.replace(/&lt;/gi,'<');
    returnText=returnText.replace(/&gt;/gi,'>');

    //-- return
    document.getElementById("output").value = returnText;
}

Został użyty z tym HTML:

<textarea id="input" style="width: 400px; height: 300px;"></textarea><br />
<button onclick="convertHtmlToText()">CONVERT</button><br />
<textarea id="output" style="width: 400px; height: 300px;"></textarea><br />

var text = html.replace(/<\/?("[^"]*"|'[^']*'|[^>])*(>|$)/g, "");

To jest wersja wyrażenia regularnego, która jest bardziej odporna na zniekształcone HTML, takie jak:

Niezamknięte tagi

Some text <img

„<”, „>” wewnątrz atrybutów tagu

Some text <img alt="x > y">

Newlines

Some <a href="http://google.com">

Kod

var html = '<br>This <img alt="a>b" \r\n src="a_b.gif" />is > \nmy<>< > <a>"text"</a'
var text = html.replace(/<\/?("[^"]*"|'[^']*'|[^>])*(>|$)/g, "");

Innym, co prawda mniej eleganckim rozwiązaniem niż nickf czy Shog9, byłoby rekursywne przejście DOM zaczynając od znacznika <body> i dołączenie każdego węzła tekstowego.

var bodyContent = document.getElementsByTagName('body')[0];
var result = appendTextNodes(bodyContent);

function appendTextNodes(element) {
    var text = '';

    // Loop through the childNodes of the passed in element
    for (var i = 0, len = element.childNodes.length; i < len; i++) {
        // Get a reference to the current child
        var node = element.childNodes[i];
        // Append the node's value if it's a text node
        if (node.nodeType == 3) {
            text += node.nodeValue;
        }
        // Recurse through the node's children, if there are any
        if (node.childNodes.length > 0) {
            appendTextNodes(node);
        }
    }
    // Return the final result
    return text;
}

Jeśli chcesz zachować linki i strukturę treści (h1, h2 itp.), Powinieneś sprawdzić TextVersionJS Możesz go używać z dowolnym HTML- em , chociaż został stworzony do konwersji wiadomości e-mail HTML na zwykły tekst.

Użycie jest bardzo proste. Na przykład w node.js:

var createTextVersion = require("textversionjs");
var yourHtml = "<h1>Your HTML</h1><ul><li>goes</li><li>here.</li></ul>";

var textVersion = createTextVersion(yourHtml);

Lub w przeglądarce z czystym js:

<script src="textversion.js"></script>
<script>
  var yourHtml = "<h1>Your HTML</h1><ul><li>goes</li><li>here.</li></ul>";
  var textVersion = createTextVersion(yourHtml);
</script>

Działa również z wymaga.js:

define(["textversionjs"], function(createTextVersion) {
  var yourHtml = "<h1>Your HTML</h1><ul><li>goes</li><li>here.</li></ul>";
  var textVersion = createTextVersion(yourHtml);
});

Po wypróbowaniu wszystkich wymienionych odpowiedzi większość, jeśli nie wszystkie, miały przypadkowe przypadki i nie były w stanie w pełni zaspokoić moich potrzeb.

Zacząłem badać, w jaki sposób robi to php, i natknąłem się na bibliotekę php.js, która replikuje metodę strip_tags tutaj: http://phpjs.org/functions/strip_tags/

function stripHTML(my_string){
    var charArr   = my_string.split(''),
        resultArr = [],
        htmlZone  = 0,
        quoteZone = 0;
    for( x=0; x < charArr.length; x++ ){
     switch( charArr[x] + htmlZone + quoteZone ){
       case "<00" : htmlZone  = 1;break;
       case ">10" : htmlZone  = 0;resultArr.push(' ');break;
       case '"10' : quoteZone = 1;break;
       case "'10" : quoteZone = 2;break;
       case '"11' : 
       case "'12" : quoteZone = 0;break;
       default    : if(!htmlZone){ resultArr.push(charArr[x]); }
     }
    }
    return resultArr.join('');
}

Konta dla> wewnętrznych atrybutów i <img onerror="javascript">nowo tworzonych elementów dom.

stosowanie:

clean_string = stripHTML("string with <html> in it")

próbny:

https://jsfiddle.net/gaby_de_wilde/pqayphzd/

demo najlepszych odpowiedzi na te okropne rzeczy:

https://jsfiddle.net/gaby_de_wilde/6f0jymL6/1/

Wiele osób już na to odpowiedziało, ale pomyślałem, że użyteczne może być udostępnienie napisanej przeze mnie funkcji, która usuwa tagi HTML z łańcucha, ale umożliwia dołączenie tablicy tagów, których nie chcesz usuwać. Jest dość krótki i działa dobrze dla mnie.

function removeTags(string, array){
  return array ? string.split("<").filter(function(val){ return f(array, val); }).map(function(val){ return f(array, val); }).join("") : string.split("<").map(function(d){ return d.split(">").pop(); }).join("");
  function f(array, value){
    return array.map(function(d){ return value.includes(d + ">"); }).indexOf(true) != -1 ? "<" + value : value.split(">")[1];
  }
}

var x = "<span><i>Hello</i> <b>world</b>!</span>";
console.log(removeTags(x)); // Hello world!
console.log(removeTags(x, ["span", "i"])); // <span><i>Hello</i> world!</span>

Myślę, że najłatwiej jest po prostu użyć wyrażeń regularnych, jak ktoś wspomniany powyżej. Chociaż nie ma powodu, aby używać ich wielu. Próbować:

stringWithHTML = stringWithHTML.replace(/<\/?[a-z][a-z0-9]*[^<>]*>/ig, "");

Wprowadziłem pewne modyfikacje do oryginalnego skryptu Jibberboy2000 Mam nadzieję, że przyda się komuś

str = '**ANY HTML CONTENT HERE**';

str=str.replace(/<\s*br\/*>/gi, "\n");
str=str.replace(/<\s*a.*href="(.*?)".*>(.*?)<\/a>/gi, " $2 (Link->$1) ");
str=str.replace(/<\s*\/*.+?>/ig, "\n");
str=str.replace(/ {2,}/gi, " ");
str=str.replace(/\n+\s*/gi, "\n\n");

Oto wersja, która w pewnym sensie rozwiązuje problem bezpieczeństwa @ MikeSamuel:

function strip(html)
{
   try {
       var doc = document.implementation.createDocument('http://www.w3.org/1999/xhtml', 'html', null);
       doc.documentElement.innerHTML = html;
       return doc.documentElement.textContent||doc.documentElement.innerText;
   } catch(e) {
       return "";
   }
}

Uwaga: zwróci pusty ciąg, jeśli znacznik HTML nie jest prawidłowym kodem XML (inaczej: tagi muszą być zamknięte, a atrybuty muszą być cytowane). Nie jest to idealne, ale pozwala uniknąć problemu wykorzystania potencjału bezpieczeństwa.

Jeśli nie masz poprawnego znacznika XML, możesz spróbować użyć:

var doc = document.implementation.createHTMLDocument("");

ale nie jest to idealne rozwiązanie z innych powodów.

Możesz bezpiecznie usunąć tagi HTML za pomocą atrybutu piaskownicy iframe .

Chodzi o to, że zamiast regexować nasz ciąg znaków, korzystamy z natywnego parsera przeglądarki, wstrzykując tekst do elementu DOM, a następnie sprawdzając właściwość textContent/ innerTexttego elementu.

Najlepszym elementem do wstrzykiwania naszego tekstu jest ramka iframe w piaskownicy, w ten sposób możemy zapobiec wykonaniu dowolnego kodu (znanego również jako XSS ).

Minusem tego podejścia jest to, że działa tylko w przeglądarkach.

Oto, co wymyśliłem (nie przetestowane w walce):

const stripHtmlTags = (() => {
  const sandbox = document.createElement("iframe");
  sandbox.sandbox = "allow-same-origin"; // <--- This is the key
  sandbox.style.setProperty("display", "none", "important");

  // Inject the sanbox in the current document
  document.body.appendChild(sandbox);

  // Get the sandbox's context
  const sanboxContext = sandbox.contentWindow.document;

  return (untrustedString) => {
    if (typeof untrustedString !== "string") return ""; 

    // Write the untrusted string in the iframe's body
    sanboxContext.open();
    sanboxContext.write(untrustedString);
    sanboxContext.close();

    // Get the string without html
    return sanboxContext.body.textContent || sanboxContext.body.innerText || "";
  };
})();

Zastosowanie ( demo ):

console.log(stripHtmlTags(`<img onerror='alert("could run arbitrary JS here")' src='bogus'>XSS injection :)`));
console.log(stripHtmlTags(`<script>alert("awdawd");</` + `script>Script tag injection :)`));
console.log(stripHtmlTags(`<strong>I am bold text</strong>`));
console.log(stripHtmlTags(`<html>I'm a HTML tag</html>`));
console.log(stripHtmlTags(`<body>I'm a body tag</body>`));
console.log(stripHtmlTags(`<head>I'm a head tag</head>`));
console.log(stripHtmlTags(null));

Z jQuery możesz po prostu pobrać go za pomocą

$('#elementID').text()

Poniższy kod pozwala zachować niektóre tagi HTML podczas usuwania wszystkich pozostałych

function strip_tags(input, allowed) {

  allowed = (((allowed || '') + '')
    .toLowerCase()
    .match(/<[a-z][a-z0-9]*>/g) || [])
    .join(''); // making sure the allowed arg is a string containing only tags in lowercase (<a><b><c>)

  var tags = /<\/?([a-z][a-z0-9]*)\b[^>]*>/gi,
      commentsAndPhpTags = /<!--[\s\S]*?-->|<\?(?:php)?[\s\S]*?\?>/gi;

  return input.replace(commentsAndPhpTags, '')
      .replace(tags, function($0, $1) {
          return allowed.indexOf('<' + $1.toLowerCase() + '>') > -1 ? $0 : '';
      });
}

Możliwe jest również użycie fantastycznego parsera HTML JS HTML htmlparser2 . Oto działające demo:

var htmlparser = require('htmlparser2');

var body = '<p><div>This is </div>a <span>simple </span> <img src="test"></img>example.</p>';

var result = [];

var parser = new htmlparser.Parser({
    ontext: function(text){
        result.push(text);
    }
}, {decodeEntities: true});

parser.write(body);
parser.end();

result.join('');

Wyjście będzie This is a simple example.

Zobacz to w akcji tutaj: https://tonicdev.com/jfahrenkrug/extract-text-from-html

Działa to zarówno w węźle, jak i przeglądarce, jeśli spakujesz aplikację internetową za pomocą narzędzia takiego jak webpack.

Musiałem tylko usunąć <a>tagi i zastąpić je tekstem linku.

To wydaje się działać świetnie.

htmlContent= htmlContent.replace(/<a.*href="(.*?)">/g, '');
htmlContent= htmlContent.replace(/<\/a>/g, '');

Dla łatwiejszego rozwiązania spróbuj tego => https://css-tricks.com/snippets/javascript/strip-html-tags-in-javascript/

var StrippedString = OriginalString.replace(/(<([^>]+)>)/ig,"");

Sam stworzyłem działające wyrażenie regularne:

str=str.replace(/(<\?[a-z]*(\s[^>]*)?\?(>|$)|<!\[[a-z]*\[|\]\]>|<!DOCTYPE[^>]*?(>|$)|<!--[\s\S]*?(-->|$)|<[a-z?!\/]([a-z0-9_:.])*(\s[^>]*)?(>|$))/gi, ''); 

prosta 2-liniowa jquery do usunięcia HTML.

 var content = "<p>checking the html source&nbsp;</p><p>&nbsp;
  </p><p>with&nbsp;</p><p>all</p><p>the html&nbsp;</p><p>content</p>";

 var text = $(content).text();//It gets you the plain text
 console.log(text);//check the data in your console

 cj("#text_area_id").val(text);//set your content to text area using text_area_id

Zaakceptowana odpowiedź działa dobrze, jednak w IE, jeśli htmlciąg jest nullw postaci "null"(zamiast „”). Naprawiony:

function strip(html)
{
   if (html == null) return "";
   var tmp = document.createElement("DIV");
   tmp.innerHTML = html;
   return tmp.textContent || tmp.innerText || "";
}

Za pomocą Jquery:

function stripTags() {
    return $('<p></p>').html(textToEscape).text()
}

inputelement obsługuje tylko jeden tekst liniowy :

Stan tekstu reprezentuje jednowierszowy element sterujący edycji tekstu zwykłego dla wartości elementu.

function stripHtml(str) {
  var tmp = document.createElement('input');
  tmp.value = str;
  return tmp.value;
}

Aktualizacja: działa zgodnie z oczekiwaniami

function stripHtml(str) {
  // Remove some tags
  str = str.replace(/<[^>]+>/gim, '');

  // Remove BB code
  str = str.replace(/\[(\w+)[^\]]*](.*?)\[\/\1]/g, '$2 ');

  // Remove html and line breaks
  const div = document.createElement('div');
  div.innerHTML = str;

  const input = document.createElement('input');
  input.value = div.textContent || div.innerText || '';

  return input.value;
}

    (function($){
        $.html2text = function(html) {
            if($('#scratch_pad').length === 0) {
                $('<div id="lh_scratch"></div>').appendTo('body');  
            }
            return $('#scratch_pad').html(html).text();
        };

    })(jQuery);

Zdefiniuj to jako wtyczkę jquery i użyj jej w następujący sposób:

$.html2text(htmlContent);