跳到主要内容

简述写出一个正则表达式，过虑网页上的所有JS/VBS脚本(即把scrīpt标记及其内容都去掉) ？

参考答案：

要过滤掉网页上的所有 JavaScript 和 VBScript 脚本，你可以使用正则表达式来匹配 <script> 标签及其内容。请注意，正则表达式在处理 HTML 或 XML 这类复杂的嵌套结构时可能会变得复杂且容易出错，因为正则表达式不是为此类任务设计的。然而，对于简单的场景，以下是一个基本的正则表达式，它尝试匹配 <script> 标签及其内容，直到遇到关闭标签 </script>：

<script\b[^>]*>(.*?)</script>

这个正则表达式的解释如下：

  • <script\b：匹配字面字符串 <script，\b 是一个单词边界，确保我们不会匹配到如 <scriptlet> 这样的标签。
  • [^>]*>：匹配任何不是 > 的字符零次或多次，直到遇到 >，这样可以匹配到 <script> 标签的其余部分。
  • (.*?)：这是一个非贪婪匹配，匹配任何字符零次或多次，直到遇到下一个 </script>。注意，这里的点号 . 默认不匹配换行符，所以如果你希望它跨越多行匹配，你可能需要使用 DOTALL 或 s 标志（取决于你使用的编程语言或工具）。
  • </script>：匹配字面字符串 </script>。

在 Python 中，你可以这样使用它：

import re

def remove_scripts(html):
    cleaned_html = re.sub(r'<script\b[^>]*>(.*?)</script>', '', html, flags=re.DOTALL)
    return cleaned_html

# 示例用法
html = """
<html>
<body>
    <h1>Hello, World!</h1>
    <script type="text/javascript">
        alert('This is a JavaScript script.');
    </script>
    <vbscript>
        MsgBox("This is a VBScript script.")
    </vbscript>
</body>
</html>
"""

cleaned_html = remove_scripts(html)
print(cleaned_html)

但是，再次强调，使用正则表达式处理 HTML 或 XML 可能会遇到问题，特别是当遇到复杂的结构或不规则的标签时。对于更可靠的处理，你可能需要使用 HTML 解析器或 DOM 操作库。