Стриптиз HTML из текстового JavaScript

Есть ли простой способ взять строку html в JavaScript и вычеркнуть html?

ОТВЕТЫ

Ответ 1

Если вы работаете в браузере, то самый простой способ - позволить браузеру сделать это за вас...

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

Примечание: как отметили в комментариях люди, этого лучше избегать, если вы не контролируете источник HTML (например, не запускайте его на чем-либо, что могло бы быть получено из пользовательского ввода). Для этих сценариев вы все равно можете позволить браузеру сделать всю работу за вас - см. Ответ Saba об использовании теперь широко доступного DOMParser.

Ответ 2

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

Ответ 3

Простейший способ:

jQuery(html).text();

Это возвращает весь текст из строки html.

Ответ 4

Я хотел бы поделиться отредактированной версией одобренного Shog9 ответа.

Как указал Майк Самуэль с комментарием, эта функция может выполнять встроенные коды javascript.
Но Shog9 прав, говоря "пусть браузер сделает это за вас..."

так что.. здесь моя отредактированная версия, используя DOMParser:

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

здесь код для проверки встроенного javascript:

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

Кроме того, он не запрашивает ресурсы для разбора (например, изображения)

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

Ответ 5

Как расширение метода jQuery, если ваша строка может не соответствовать HTML (например, если вы пытаетесь удалить HTML из поля формы)

jQuery(html).text();

возвращает пустую строку, если нет html

Использование:

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

вместо.

Update: Как уже отмечалось в комментариях, в некоторых случаях это решение будет выполнять javascript, содержащийся в html, если на значение html может повлиять атакующий, используйте другое решение.

Ответ 6

Преобразование HTML для простого текстового письма с сохранением гиперссылок (href) intact

Вышеупомянутая функция, опубликованная hypoxy, отлично работает, но я был за чем-то, что в основном конвертировало бы HTML, созданный в редакторе Web RichText (например, FCKEditor), и очистил весь HTML, но оставил все ссылки из-за того, что мне хотелось, чтобы оба HTML и текстовую версию, чтобы помочь создать правильные части для электронной почты STMP (как HTML, так и обычного текста).

После долгого поиска Google я и мои коллеги придумали это с помощью механизма регулярных выражений в 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, "");

переменная str запускается следующим образом:

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>

а затем после запуска кода выглядит следующим образом: -

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

Как вы можете видеть, все HTML были удалены, и ссылка была сохранена, а гиперссылнный текст по-прежнему неповрежден. Также я заменил теги <p> и <br> на \n (newline char), чтобы сохранилось какое-то визуальное форматирование.

Чтобы изменить формат ссылки (например, BBC (Link->http://www.bbc.co.uk)), просто отредактируйте $2 (Link->$1), где $1 - URL-адрес/URL-адрес href, а $2 - гиперссылнный текст. С помощью ссылок непосредственно в тексте обычного текста большинство почтовых клиентов SMTP конвертируют их, чтобы пользователь мог щелкнуть по ним.

Надеюсь, вы сочтете это полезным.

Ответ 7

Улучшение принятого ответа.

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

Таким образом, что-то работает, как это, не повредит:

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

Firefox, Chromium и Explorer 9+ безопасны. Opera Presto по-прежнему уязвима. Также изображения, упомянутые в строках, не загружаются в Chromium и Firefox, сохраняя HTTP-запросы.

Ответ 8

Это должно работать над любой средой Javascript (включая NodeJS). text.replace(/<[^>]+>/g, '');

Ответ 9

Я изменил ответ Jibberboy2000, чтобы включить несколько форматов тегов <BR />, удалить все внутри тегов <SCRIPT> и <STYLE>, отформатировать полученный HTML, удалив несколько строк перерывы и пробелы, а также преобразовать код HTML в нормальное состояние. После некоторого тестирования кажется, что вы можете конвертировать большую часть полных веб-страниц в простой текст, в котором сохранены заголовок и содержимое страницы.

В простом примере

<!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>

становится

Это мое название

В этой строке есть html-код, который я хочу удалить

В этой строке упоминается BBC (http://www.bbc.co.uk) со ссылкой.

Теперь вернемся к "нормальному тексту" и т.д., используя

Функция JavaScript и тестовая страница выглядят следующим образом:

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 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;
}

Он использовался с этим 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 />

Ответ 10

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

Это версия регулярных выражений, которая более устойчива к искаженному HTML, например:

Незакрытые теги

Some text <img

"<", ">" внутри атрибутов тега

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

Newlines

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

Код

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

Ответ 11

Другим, по общему признанию, менее элегантным решением, чем nickf или Shog9, было бы рекурсивно ходить DOM, начиная с <body> тег и добавьте каждый текст node.

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 value if it a text node
        if (node.nodeType == 3) {
            text += node.nodeValue;
        }
        // Recurse through the node children, if there are any
        if (node.childNodes.length > 0) {
            appendTextNodes(node);
        }
    }
    // Return the final result
    return text;
}

Ответ 12

Если вы хотите сохранить ссылки и структуру содержимого (h1, h2 и т.д.), вы должны проверить TextVersionJS Вы можете использовать его с любым HTML, хотя он был создан для преобразования HTML-письма в обычный текст.

Использование очень простое. Например, в node.js:

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

var textVersion = createTextVersion(yourHtml);

Или в браузере с чистым 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>

Он также работает с require.js:

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

Ответ 13

После того, как все ответы были упомянуты чаще всего, если не все из них имели краевые случаи и не могли полностью поддержать мои потребности.

Я начал изучать, как php делает это и наткнулся на php.js lib, который реплицирует метод strip_tags здесь: http://phpjs.org/functions/strip_tags/

Ответ 14

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('');
}

Учетные записи > внутренних атрибутов и <img onerror="javascript"> во вновь созданных элементах dom.

использование:

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

демо:

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

демонстрация верхнего ответа, делающего ужасные вещи:

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

Ответ 15

Многие уже ответили на это, но я подумал, что было бы полезно разделить функцию, которую я написал, которая разбивает теги HTML из строки, но позволяет включать массив тегов, которые вы не хотите удалять. Это довольно коротко и прекрасно работает для меня.

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>

Ответ 16

Я думаю, что самый простой способ - просто использовать регулярные выражения, как упоминалось выше. Хотя нет причин использовать их. Попробуйте:

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

Ответ 17

Я внес некоторые изменения в оригинальный Jibberboy2000 script Надеюсь, что это будет полезно для кого-то.

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");

Ответ 18

Здесь версия, которая сортирует адреса @MikeSamuel, касается:

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 "";
   }
}

Заметьте, что он вернет пустую строку, если HTML-разметка недействительна XML (иначе, теги должны быть закрыты, а атрибуты должны быть указаны). Это не идеальное решение, но оно позволяет избежать проблемы использования безопасности.

Если для вас не требуется действительная разметка XML, вы можете попробовать:

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

но это не идеальное решение ни по другим причинам.

Ответ 19

Вы можете безопасно снимать теги html с помощью атрибута sandbox iframe.

Идея здесь заключается в том, что вместо того, чтобы пытаться повторно использовать нашу строку, мы используем собственный синтаксический анализатор браузера, textContent текст в элемент DOM, а затем запрашивая textContent/innerText этого элемента.

Лучший подходящий элемент для ввода нашего текста - изолированный iframe, поэтому мы можем предотвратить произвольное выполнение кода (также известный как XSS).

Недостатком этого подхода является то, что он работает только в браузерах.

Вот что я придумал (не проверен на битву):

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 context
  const sanboxContext = sandbox.contentWindow.document;

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

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

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

Использование (демо):

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));

Ответ 20

С помощью jQuery вы можете просто загрузить его с помощью

$('#elementID').text()

Ответ 21

Мне просто нужно было снять теги <a> и заменить их текстом ссылки.

Это, кажется, отлично работает.

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

Ответ 22

Ниже код позволяет сохранять некоторые html-теги при удалении всех остальных

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 : '';
      });
}

Ответ 23

Также можно использовать фантастический htmlparser2 чистый JS HTML-парсер. Вот рабочая демонстрация:

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('');

Выход будет This is a simple example.

Смотрите здесь: https://tonicdev.com/jfahrenkrug/extract-text-from-html

Это работает как в node, так и в браузере, если вы упаковываете свое веб-приложение с помощью инструмента, такого как webpack.

Ответ 24

Я создал собственное регулярное выражение:

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

Ответ 25

простой 2 строки jquery, чтобы удалить 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

Ответ 26

Принятый ответ работает отлично, но в IE, если строка html null, вы получаете "null" (вместо ''). Исправлено:

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

Ответ 27

Использование JQuery:

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

Ответ 28

input элемент поддерживает только один текст строки:

Текстовое состояние представляет собой однострочный текстовый редактор для редактирования значения элемента.

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

Обновление: работает как ожидается

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;
}

Ответ 29

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

    })(jQuery);

Определите это как плагин jquery и используйте его следующим образом:

$.html2text(htmlContent);

Ответ 30

Для escape-символов это будет работать с использованием сопоставления с образцом:

myString.replace(/((&lt)|(<)(?:.|\n)*?(&gt)|(>))/gm, '');