PHP正则一键去除HTML/JS/CSS及注释

在网页开发与数据处理中，经常需要从HTML文档中提取纯文本内容，同时去除所有的HTML标签、JavaScript代码、CSS样式以及注释，PHP作为服务器端脚本语言，提供了强大的正则表达式功能，能够高效实现这一需求，本文将深入探讨如何使用PHP正则表达式精准去除网页中的HTML、JS、CSS及注释，并分析不同方法的优缺点,帮助开发者选择最适合的解决方案。

正则表达式基础

正则表达式是处理字符串的强大工具，通过特定的模式匹配来查找、替换或提取文本，在PHP中，preg_replace()函数是执行正则替换的核心方法,其语法为：

preg_replace(pattern, replacement, subject)

pattern是正则表达式模式，replacement是替换后的文本，subject是待处理的原始字符串。

去除HTML标签

HTML标签通常以<开头，以>中间包含标签名和属性,以下正则表达式可以匹配并移除所有HTML标签：

$html = '<div class="example">Hello <b>World</b>!</div>';
$plainText = preg_replace('/<[^>]+>/', '', $html);
// 输出: Hello World!

关键点：

• <[^>]+>匹配<后跟一个或多个非>的字符，直到>出现。
• 此方法简单高效，但无法处理标签内包含>的特殊情况（如<div >）。

去除JavaScript代码

JavaScript代码通常包含在<script>标签内或事件属性（如onclick）中,需分两步处理：

1. 移除<script>标签及其内容：

   

   $html = '<script>alert("Hello");</script><p>Text</p>';
   $html = preg_replace('/<script[^>]*>.*?<\/script>/is', '', $html);
   // 输出: <p>Text</p>

   • 非贪婪匹配,避免跨标签匹配。
   • is修饰符使匹配换行,并忽略大小写。

2. 移除事件属性：

   $html = '<div onclick="alert()">Click</div>';
   $html = preg_replace('/\s+on\w+="[^"]*"/', '', $html);
   // 输出: <div>Click</div>

去除CSS样式

CSS样式可能存在于<style>标签或style属性中：

1. 移除<style>：

   $html = '<style>.red {color: red;}</style><p class="red">Text</p>';
   $html = preg_replace('/<style[^>]*>.*?<\/style>/is', '', $html);

2. 移除style属性：

   $html = '<p style="color: red;">Text</p>';
   $html = preg_replace('/style="[^"]*"/', '', $html);
   // 输出: <p>Text</p>

$html = '<!-This is a comment --><p>Text</p>';
$html = preg_replace('/<!--.*?-->/', '', $html);
// 输出: <p>Text</p>

function stripHtmlJsCss($html) {
    // 移除<script>和<style>标签及其内容
    $html = preg_replace('/<script[^>]*>.*?<\/script>/is', '', $html);
    $html = preg_replace('/<style[^>]*>.*?<\/style>/is', '', $html);
    // 移除HTML标签
    $html = preg_replace('/<[^>]+>/', '', $html);
    // 移除事件属性
    $html = preg_replace('/\s+on\w+="[^"]*"/', '', $html);
    // 移除style属性
    $html = preg_replace('/style="[^"]*"/', '', $html);
    // 移除HTML注释
    $html = preg_replace('/<!--.*?-->/', '', $html);
    return $html;
}

$html = preg_replace('/<(?!\/?(p|br)\b)[^>]+>/', '', $html);

$html = preg_replace('/<!--.*?-->/s', '', $html);