使用正则表达式删除 JavaScript

我无法使用 C# 从 HTML 页面中删除所有 javascript。我有三个正则表达式，它们删除了很多，但也错过了很多。使用 MSHTML DOM 解析器解析 javascript 会导致 javascript 实际运行，这是我试图通过使用正则表达式来避免的情况。

    "<script.*/>"

    "<script[^>]*>.*</script>"

    "<script.*?>[\\s\\S]*?</.*?script>"

有谁知道我错过了什么导致这三个正则表达式错过 JavaScript 块？

我试图删除的示例：

<script src="do_files/page.js" type="text/javascript"></script>
<script src="do_files/page.js" type="text/javascript" />
    <script type="text/javascript">
    <!--
        var Time=new Application('Time')
    //-->
    </script>
    <script type="text/javascript">
        if(window['com.actions']) {
            window['com.actions'].approvalStatement =  "",
            window['com.actions'].hasApprovalStatement = false
        }
    </script>

我假设您正在尝试简单地清理 JavaScript 的输入。坦率地说，我担心这个解决方案太简单了，因为它看起来非常简单。请参阅下面的表达式（在 C# 字符串中）之后的推理：

@"(?s)<script.*?(/>|</script>)"

就是这样 - 我希望！ （它当然适用于您的示例！）

我对简单性的推理是，尝试使用正则表达式解析 HTML 的主要问题是嵌套标签的可能性 - 与其说是不同标签的嵌套，不如说是同义标签的嵌套

例如，

<b> bold <i> AND italic </i></b>

……还不错，但是

<span class='BoldText'> bold <span class='ItalicText'> AND italic </span></span>

解析起来会困难得多，因为结束标签是相同的。

但是，由于嵌套无效script标签，下一个实例/>(</script>是该脚本块的结尾。

脚本标签内总是有可能存在 HTML 注释或 CDATA 标签，但如果它们不包含这些应该没问题</script>。然而：如果他们这样做了，肯定有可能获得一些“代码”。我不认为页面会呈现，但有些 HTML 解析器非常灵活，所以你永远不知道。要处理一些额外的可能的空白，您可以使用：

@"(?s)<\s?script.*?(/\s?>|<\s?/\s?script\s?>)"

如果您能找到一种方法来破解它，让有效的 HTML 代码通过，请告诉我使用可运行的 JavaScript（我知道有几种方法可以获得some东西通过了，但如果它确实通过了，应该以多种不同的方式之一来破坏它，并且不应该是可运行的 JavaScript 代码。）