indietro

La via più corretta (benché non la più veloce) consiste nell'usare HTML::Parser da CPAN. Un'altra via abbastanza corretta consiste nell'usare HTML::FormatText, che non solo rimuove i tag HTML ma tenta anche di applicare un minimo di semplice formattazione al normale testo che ne risulta.

Molti tentano un approccio sciocco tramite le espressioni regolari, come s/<.*?//g>, ma questo fallisce in molti casi poiché i tag possono continuare sulla riga successiva, possono contenere parentesi angolari tra apici, oppure potrebbe essere presente un commento HTML. Inoltre, spesso queste persone si dimenticano di convertire le entità, come ad esempio <.

Ecco un approccio "sciocco", che funziona con la maggior parte dei file:

    #!/usr/bin/perl -p0777
    s/<(?:[^>'"]*|(['"]).*?\1)*>//gs

Se ciò che volete è una soluzione più completa, date un'occhiata al programma striphtml all'indirizzo http://www.cpan.org/authors/Tom_Christiansen/scripts/striphtml.gz .

Ecco alcuni casi ingannevoli, ai quali dovete prestare attenzione al momento di scegliere una soluzione:

    <IMG SRC = "pippo.gif" ALT = "A > B">

    <IMG SRC = "pippo.gif"
         ALT = "A > B">

    <!-- <Un commento> -->

    <script>if (a<b && a>c)</script>

    <# Solo dati #>

    <![INCLUDE CDATA [ >>>>>>>>>>>> ]]>

Se i commenti HTML includono altri tag, queste soluzioni non funzioneranno nemmeno con testi come questo:

    <!-- Questa sezione e` commentata.
        <B>Non puoi vedermi!</B>
    -->

vedi in inglese