本文介绍为何不应使用正则表达式处理 HTML，并提供基于 DOM 解析的专业方案，通过 DOMParser 或临时 DOM 节点清除 、、、 等标签内部的文本内容，确保结构安全、语义准确、无副作用。
本文介绍为何不应使用正则表达式处理 html，并提供基于 dom 解析的专业方案，通过 `domparser` 或临时 dom 节点清除 ``、``、``、`` 等标签内部的文本内容，确保结构安全、语义准确、无副作用。
在 Web 开发中，一个常见误区是试图用正则表达式（regex）从 HTML 字符串中“提取链接”或“过滤文本”，同时排除特定标签（如 、）内部的内容。然而，HTML 是上下文敏感的嵌套结构，而正则表达式本质上不具备解析嵌套语法的能力。您提供的复杂正则虽能匹配 URL，但无法可靠判断某段文本是否位于 的属性值中、 的起始与结束标签之间，或是被注释、CDATA、JS 字符串等上下文包裹——这极易导致误匹配、截断或 XSS 风险。
✅ 正确做法：交由浏览器原生 HTML 解析器处理
现代浏览器提供了健壮、标准兼容的 DOM 解析能力。我们应利用 DOMParser（推荐）或临时 document.createElement('div')，将 HTML 字符串安全转换为 DOM 树，再精准定位并清空目标标签的子内容（保留标签本身），最后序列化回 HTML 字符串。
✅ 推荐方案：使用 DOMParser（无副作用、无需操作真实 DOM）
function sanitizeTags(html, tagsToEmpty = ['figure', 'img', 'picture', 'trix-attachment']) {
const parser = new DOMParser();
const doc = parser.parseFromString(html, 'text/html');
tagsToEmpty.forEach(tagName => {
const elements = doc.querySelectorAll(tagName);
elements.forEach(el => {
// 清空所有子节点，仅保留空标签（如 <img alt="如何安全移除 HTML 中特定标签内的文本内容（避免正则解析）" > → <img alt="如何安全移除 HTML 中特定标签内的文本内容（避免正则解析）" >，<figure> → <figure></figure>）
el.replaceWith(doc.createElement(tagName));
});
});
// 注意：parseFromString 生成的文档无 <body> 时，doc.body 可能为 null；
// 安全写法：取 body 内容，若无则取整个 documentElement
return doc.body?.innerHTML || doc.documentElement?.innerHTML || '';
}
// 使用示例
const input = 'Check this: https://example.com. Here is a figure: <figure><img src="bad.jpg" alt="如何安全移除 HTML 中特定标签内的文本内容（避免正则解析）" ><p>Remove me!</p></figure>. And an image: <img alt="test" src="https://i.example/1.jpg">Keep this link: https://safe.org';
const result = sanitizeTags(input, ['figure', 'img']);
console.log(result);
// 输出：Check this: https://example.com. Here is a figure: <figure></figure>. And an image: <img alt="如何安全移除 HTML 中特定标签内的文本内容（避免正则解析）" >.Keep this link: https://safe.org
→
中的链接会被错误捕获）；
