현재 위치

홈 ›› Forums ›› 공부 ›› 프로그래밍 QnA

Perl에서 HTML TAG를 Strip할수 있는 완벽한 정규 표현식이 없을까요?

puaxx의 이미지
글쓴이: puaxx / 작성시간: 목, 2006/01/05 - 1:26오후

상황
1.몇백만건의 HTML데이터가 있고 내용은 일정치 않습니다.
2.Perl의 확장 모듈을 사용할수가 없습니다.
3.많은 시간이 없습니다.
4.정규식이나 직접코드를 짜야 합니다.

현재 제가 생각한 정규식은 고작

<\/?[!a-zA-Z][^>]*>

이건데요...가령

<a href="sdfsf?sdfkkk=>&xxvfd">

이런식으로 들어간게 있으면 제대로 안될거 같더군요.

정규식만으로 불가능할까요?

Forums: 
프로그래밍 QnA
eungkyu의 이미지

글쓴이: eungkyu / 작성시간: 목, 2006/01/05 - 1:34오후

puaxx wrote:
상황
1.몇백만건의 HTML데이터가 있고 내용은 일정치 않습니다.
2.Perl의 확장 모듈을 사용할수가 없습니다.
3.많은 시간이 없습니다.
4.정규식이나 직접코드를 짜야 합니다.

현재 제가 생각한 정규식은 고작

<\/?[!a-zA-Z][^>]*>

이건데요...가령

<a href="sdfsf?sdfkkk=>&xxvfd">

이런식으로 들어간게 있으면 제대로 안될거 같더군요.

정규식만으로 불가능할까요?

원래 &는 &amp; >는 &gt; <는 &lt;로 써야 하기 때문에 문제가 없어야 정상입니다.

<a href="sdfsf?sdfkkk=&gt;&amp;xxvfd">

이렇게 되어있는게 맞죠 ^^

그렇지만, 수많은 html이 그렇게 쓰여있지 않기 때문에 !!
문제가 발생합니다 -_-;;;;

대안은 없는 쓸데없는 답변이었습니다 ;;

이래서 HTML파싱은 어렵습니다 =_= 과연 어떤 오류까지 봐줘야 하는 것일까...

익명 사용자의 이미지

글쓴이: 익명 사용자 / 작성시간: 목, 2006/01/05 - 1:58오후

htmltidy 같은 걸 이용해서 원본 html 을 xhtml 로 변환한 다음에
처리하는게 어떨까요???
그럼 대부분의 문제가 해결될 것으로 보입니다만...

lifthrasiir의 이미지

글쓴이: lifthrasiir / 작성시간: 토, 2006/01/07 - 12:49오전

eungkyu wrote:
puaxx wrote:
상황
1.몇백만건의 HTML데이터가 있고 내용은 일정치 않습니다.
2.Perl의 확장 모듈을 사용할수가 없습니다.
3.많은 시간이 없습니다.
4.정규식이나 직접코드를 짜야 합니다.

현재 제가 생각한 정규식은 고작

<\/?[!a-zA-Z][^>]*>

이건데요...가령

<a href="sdfsf?sdfkkk=>&xxvfd">

이런식으로 들어간게 있으면 제대로 안될거 같더군요.

정규식만으로 불가능할까요?

원래 &는 &amp; >는 &gt; <는 &lt;로 써야 하기 때문에 문제가 없어야 정상입니다.

<a href="sdfsf?sdfkkk=&gt;&amp;xxvfd">

이렇게 되어있는게 맞죠 ^^

그렇지만, 수많은 html이 그렇게 쓰여있지 않기 때문에 !!
문제가 발생합니다 -_-;;;;

대안은 없는 쓸데없는 답변이었습니다 ;;

이래서 HTML파싱은 어렵습니다 =_= 과연 어떤 오류까지 봐줘야 하는 것일까...

/<\/?[a-z0-9-:]+(?:\s+[a-z0-9-:]+(?:\s*=\s*(?(?=["'])(?:"[^"]*"|'[^']*')|\S+)?)+(?:\s*\/)?>/i

정도면 되지 않을까요? 잘 돌아 갈 지는 모르겠습니다만 이런 식으로 하면 되지 않을까 싶습니다.

- 토끼군

댓글 달기

텍스트 포맷에 대한 자세한 정보

Filtered HTML

  • 텍스트에 BBCode 태그를 사용할 수 있습니다. URL은 자동으로 링크 됩니다.
  • 사용할 수 있는 HTML 태그: <p><div><span><br><a><em><strong><del><ins><b><i><u><s><pre><code><cite><blockquote><ul><ol><li><dl><dt><dd><table><tr><td><th><thead><tbody><h1><h2><h3><h4><h5><h6><img><embed><object><param><hr>
  • 다음 태그를 이용하여 소스 코드 구문 강조를 할 수 있습니다: <code>, <blockcode>, <apache>, <applescript>, <autoconf>, <awk>, <bash>, <c>, <cpp>, <css>, <diff>, <drupal5>, <drupal6>, <gdb>, <html>, <html5>, <java>, <javascript>, <ldif>, <lua>, <make>, <mysql>, <perl>, <perl6>, <php>, <pgsql>, <proftpd>, <python>, <reg>, <spec>, <ruby>. 지원하는 태그 형식: <foo>, [foo].
  • web 주소와/이메일 주소를 클릭할 수 있는 링크로 자동으로 바꿉니다.

BBCode

  • 텍스트에 BBCode 태그를 사용할 수 있습니다. URL은 자동으로 링크 됩니다.
  • 다음 태그를 이용하여 소스 코드 구문 강조를 할 수 있습니다: <code>, <blockcode>, <apache>, <applescript>, <autoconf>, <awk>, <bash>, <c>, <cpp>, <css>, <diff>, <drupal5>, <drupal6>, <gdb>, <html>, <html5>, <java>, <javascript>, <ldif>, <lua>, <make>, <mysql>, <perl>, <perl6>, <php>, <pgsql>, <proftpd>, <python>, <reg>, <spec>, <ruby>. 지원하는 태그 형식: <foo>, [foo].
  • 사용할 수 있는 HTML 태그: <p><div><span><br><a><em><strong><del><ins><b><i><u><s><pre><code><cite><blockquote><ul><ol><li><dl><dt><dd><table><tr><td><th><thead><tbody><h1><h2><h3><h4><h5><h6><img><embed><object><param>
  • web 주소와/이메일 주소를 클릭할 수 있는 링크로 자동으로 바꿉니다.

Textile

  • 다음 태그를 이용하여 소스 코드 구문 강조를 할 수 있습니다: <code>, <blockcode>, <apache>, <applescript>, <autoconf>, <awk>, <bash>, <c>, <cpp>, <css>, <diff>, <drupal5>, <drupal6>, <gdb>, <html>, <html5>, <java>, <javascript>, <ldif>, <lua>, <make>, <mysql>, <perl>, <perl6>, <php>, <pgsql>, <proftpd>, <python>, <reg>, <spec>, <ruby>. 지원하는 태그 형식: <foo>, [foo].
  • You can use Textile markup to format text.
  • 사용할 수 있는 HTML 태그: <p><div><span><br><a><em><strong><del><ins><b><i><u><s><pre><code><cite><blockquote><ul><ol><li><dl><dt><dd><table><tr><td><th><thead><tbody><h1><h2><h3><h4><h5><h6><img><embed><object><param><hr>

Markdown

  • 다음 태그를 이용하여 소스 코드 구문 강조를 할 수 있습니다: <code>, <blockcode>, <apache>, <applescript>, <autoconf>, <awk>, <bash>, <c>, <cpp>, <css>, <diff>, <drupal5>, <drupal6>, <gdb>, <html>, <html5>, <java>, <javascript>, <ldif>, <lua>, <make>, <mysql>, <perl>, <perl6>, <php>, <pgsql>, <proftpd>, <python>, <reg>, <spec>, <ruby>. 지원하는 태그 형식: <foo>, [foo].
  • Quick Tips:
    • Two or more spaces at a line's end = Line break
    • Double returns = Paragraph
    • *Single asterisks* or _single underscores_ = Emphasis
    • **Double** or __double__ = Strong
    • This is [a link](http://the.link.example.com "The optional title text")
    For complete details on the Markdown syntax, see the Markdown documentation and Markdown Extra documentation for tables, footnotes, and more.
  • web 주소와/이메일 주소를 클릭할 수 있는 링크로 자동으로 바꿉니다.
  • 사용할 수 있는 HTML 태그: <p><div><span><br><a><em><strong><del><ins><b><i><u><s><pre><code><cite><blockquote><ul><ol><li><dl><dt><dd><table><tr><td><th><thead><tbody><h1><h2><h3><h4><h5><h6><img><embed><object><param><hr>

Plain text

  • HTML 태그를 사용할 수 없습니다.
  • web 주소와/이메일 주소를 클릭할 수 있는 링크로 자동으로 바꿉니다.
  • 줄과 단락은 자동으로 분리됩니다.
댓글 첨부 파일
이 댓글에 이미지나 파일을 업로드 합니다.
파일 크기는 8 MB보다 작아야 합니다.
허용할 파일 형식: txt pdf doc xls gif jpg jpeg mp3 png rar zip.
CAPTCHA
이것은 자동으로 스팸을 올리는 것을 막기 위해서 제공됩니다.