Определите HTML-теги, присутствующие с помощью Regex

Question

Я делаю это на Android и не хочу использовать html-парсеры (библиотеки), поскольку единственная цель - узнать, какие HTML-теги присутствуют, кроме и

Я использую:

Pattern p = Pattern.compile ( "<^ бип />");

Это хорошо работает, возвращая все теги, кроме B, I, P, НО также удаляет тег . Может ли кто-нибудь изменить его, чтобы он не игнорировал тег img?

Answer 1

Я думаю, что ваше определение регулярного выражения должно быть таким:

Pattern p = Pattern.compile("(?i)<(?![bip]\\b).*?/?>");

• ?! для отрицательного взгляда вперед // т.е. < не сопровождается (b или i или p) + граница слова
• (?i) для игнорирования сравнения регистра
• .*? для произвольного захвата 0 или более символов после открытия тегов
• /? для включения дополнительной косой черты перед >

Answer 2

Если вы хотите узнать, какие теги есть в вашем документе, я бы посоветовал использовать более одного шага:

• извлечь все теги и поместить их в список;regexp довольно прост <(. *?)>
• отсортировать список по уникальности, отфильтровать его, чтобы удалить ненужные символы (например, i, b, p ...)

Выполнение этого может быть инкапсулировано в класс, более настраиваемо, если вы когда-нибудь захотите отфильтровать другие теги, его легче понять и поддерживать в течение более длительного срока, чем загадочное регулярное выражение.

Answer 3

Хотите распознать или удалить метки?

И хотите ли вы различать теги типа <img onerror='alert("PWNED")' src=bogus> и те, которые соответствуют определению легитимности?

См. http://code.google.com/p/owasp-java-html-sanitizer/source/browse/trunk/src/main/org/owasp/html/HtmlPolicyBuilder.java о способах создания облегченных политик очистки HTML в java.