Regex-Wahnsinn in C#

[anakin87]

hey leute,
ich dreh mal wieder am rad wegen den ...-regex
und zwar steht in einem string ein html-code nachdem ich
das j-script da drinn ned brauch, hätt ich vorgehabt diese <script>*</script>
mit regex zu eliminieren. nur wie kann man sowas einstellen mit regex?
ich mein so:

Regex reg = new Regex("^<script>*</script>", RegexOptions.Multiline);
rext = reg.replace(text," ");

dürft es ja offensichtlich nicht gehen... aber wie geht das jetzt

jede hilfe wär da echt angesagt.... weil ich dreh durch :|

mfg

[Gnafoo]

Probier es einmal damit:


string foo = "test<script>abcde</script>test2<script>bla</script>";
foo = Regex.Replace(foo, "<script>.*?</script>", String.Empty);
Console.WriteLine(foo);


Der Stern heißt bei Regular Expressions einfach, dass das vorige Zeichen 0-n mal wiederholt werden darf. Du hast also gesucht nach "<script", gefolgt von 0-n ">", gefolgt von "</script>".

In meinem Beispiel steht da ein ".", was für ein beliebiges Zeichen steht. D.h. ".*" macht das, was du bei "*" erwartet hast. Das Fragezeichen dahinter bewirkt, dass er so wenige Zeichen wie möglich überspringt. Das verhindert, dass in meinem Beispiel erst das zweite "</script>" gematcht wird und damit auch das "test2" zwischen den zwei Skript-Blöcken verschwindet.

Edit: natürlich ist das in der Form nicht klug genug, mit <script> bzw. </script> in Kommentaren umzugehen. Aber vielleicht brauchst du das ja auch gar nicht.

[Monger]

Vielleicht bin ich ja grad auf dem Holzweg, aber wenn du einen Anchor in Kombination mit Multiline verwendest, heißt das für mich dass ^<script>.*?</script> nur matchen kann wenn der ganze Text tatsächlich auch mit dem script-tag anfängt, oder etwa nicht?

Das wird natürlich wahrscheinlich gar nicht matchen.

[Gnafoo]

Ich hab den Anchor ja gleich weggelassen. Denke auch, dass der eher unsinnig ist an der Stelle.

[anakin87]

weltklasse Gnafoo!!!!
funkt ich habs nur etwas anpassen müssen weil jeder die script-sequenz anders schreibt
groß/klein oder gleich direkt in den tag, usw.
aber so gehts bis jetzt

text = Regex.Replace(text, "<script>.*?</script>", " ",RegexOptions.IgnoreCase);
text = Regex.Replace(text, "<script.*?>.*?</script>", " ", RegexOptions.IgnoreCase);


nochmals thx @ all

[kloffy]

text = Regex.Replace(text, "<script>.*?</script>", " ",RegexOptions.IgnoreCase);
text = Regex.Replace(text, "<script.*?>.*?</script>", " ", RegexOptions.IgnoreCase);

Das der obere Fall im unteren enthalten ist ist dir bewusst?

[anakin87]

ups da hab ich einen teil vom auskomentierten testlauf mitgepostet...
aber es ist ja eh gleich aufgefallen ;D

[anakin87]

ach ja nochwas
warum ist dann

<SCRIPT LANGUAGE="JavaScript">blablabla</SCRIPT>
<SCRIPT LANGUAGE=JavaScript1.1>blablablablablabla</SCRIPT>

nicht dabei? weil so wies jetzt ist

text = Regex.Replace(text, "<script.*?>.*?</script>", " ", RegexOptions.IgnoreCase & RegexOptions.MultiLine);

erkennt er vieles nicht...
liegt es vl. daran das manchmal

<SCRIPT>blabla1</SCRIPT><SCRIPT LANGUAGE=JavaScript1.1>blabla2</SCRIPT>

aufeinander trifft?
mfg

[Gast]

Das liegt am fehlenden "RegexOptions.IgnoreCase". Dank dem bitweisen AND löschen sich die Flags gegenseitig aus und du übergibt effektiv 0 als Flags. Versuche es mal mit bitweisem OR -> "RegexOptions.IgnoreCase | RegexOptions.MultiLine".

[anakin87]

hm eigenartig...
gut ich hab jetzt als regex folgendes

text = Regex.Replace(text, "<script.*?/script>", " ", RegexOptions.IgnoreCase | RegexOptions.Multiline);

aber er lässt mir z.b das da über... obwohl dein tipp die erkennungsrate gesteigert hat...

<SCRIPT language="javascript" type="text/javascript">bla \n oder \t bla</SCRIPT>


wo liegt der fehler? ich bin fest der meinung das dieser fall auch in die regex fallen müsste...
ich befürcht irgendwie fast das das regex keine \n oder \t verträgt

mfg

[kloffy]

text = Regex.Replace(text, "<script.*?>[.\r\n\w]*?<\/script>", " ", RegexOptions.IgnoreCase | RegexOptions.Multiline);So?

[anakin87]

nicht ganz weil,
aus irgend einem grund spricht deins nicht an, aber dein system hat mir schon recht viel weiter geholfen
ich verwend jetzt das:

//das als regex liefert das selbe wie
<script.*[.\r\n\t]*.*/script>
//die regex -- an erkennungsraten und die sind relativ hoch
<script.*[.\n.\t.]*.*/script>

da spricht es immer noch nicht an.... warum? mag der keine ' oder " ?

//Reale-TestFall
<SCRIPT language="javascript" type="text/javascript">
var OAS_listpos = 'x01,Top,Right1,Middle1,Middle3,Top1,Middle2,Top1';
var OAS_sitepage = 'www.xyz.abc';
</SCRIPT>


ah ja ne frage warum .... <\/script>

mfg

[Gast]

ah ja ne frage warum .... <\/script>
Hab vergessen den Backslash rauszunehmen. Ich teste mit Regular Expression Calculator (http://www.codehouse.com/webmaster_tools/regex/), da braucht man den.

Noch ein Versuch:
text = Regex.Replace(text, "<script.*?>(.|\s)*?</script>", " ", RegexOptions.IgnoreCase | RegexOptions.Multiline);

[anakin87]

wie geil, wenn ichs vorher gewust hät dann hät ich dafür kein winform zum testen gebaut :D
die webversion is ah recht brauchbar....

hm funkt schon recht gut aber nicht perfekt ;) thx

ich hab die lösung gerade eben im netz gefunden - also wenn wer mal nen jscript-terminator braucht
hier der regex suchtext im c#-style

text = Regex.Replace(text, @"<script[^>]*>[\w|\t|\r|\W]*?</script>", " ", RegexOptions.IgnoreCase);

das "@" is nur weil .net oder c# die escape sequenzen nicht erkennt im string....

thx @ all ==> jetzt hab ich mal basiswissen für regex :D
mfg

[Gnafoo]

das "@" is nur weil .net oder c# die escape sequenzen nicht erkennt im string....
Eher anders herum. Der C#-Compiler wandelt die ihm bekannten Escape-Sequenzen (z. B. \n --> Newline) durchaus um. D. h. die entsprechende Methode der Regex-Klasse bekommt einen String, bei dem an der entsprechenden Stelle ein Newline und kein \n steht. Dann funktioniert aber deine Regex nicht wie gewollt, weil die Regex-Klasse die Escape-Sequenzen selber auswerten soll und stattdessen das schon umgewandelte Zeichen bekommt.

Abhilfe verschafft wie gesagt das @ vor dem String, welches die üblichen Escape-Sequenzen deaktiviert, oder ein doppelter Backslash an den entsprechenden Stellen. z. B. \\n.

[anakin87]

Eher anders herum. Der C#-Compiler wandelt die ihm bekannten Escape-Sequenzen (z. B. \n --> Newline) durchaus um. D. h. die entsprechende Methode der Regex-Klasse bekommt einen String, bei dem an der entsprechenden Stelle ein Newline und kein \n steht. Dann funktioniert aber deine Regex nicht wie gewollt, weil die Regex-Klasse die Escape-Sequenzen selber auswerten soll und stattdessen das schon umgewandelte Zeichen bekommt.

Abhilfe verschafft wie gesagt das @ vor dem String, welches die üblichen Escape-Sequenzen deaktiviert, oder ein doppelter Backslash an den entsprechenden Stellen. z. B. \\n.

ok hast mich.....
hab mal wieder blödsinn verzapft ;D..... sry,
laut galileo-computing:
Um die Interpretation als Escape-Sequenz für eine gegebene Zeichenfolge vollständig abzuschalten, wird vor der Zeichenfolge das Zeichen »@« gesetzt.
nun zum thema, warum gehts dann doch?
bzw. komischerweise gehen beide varianten, bin irgendwie verwirrt.....

text = Regex.Replace(text, "<script[^>]*>[\\w|\\t|\\r|\\W]*?</script>", " ", RegexOptions.IgnoreCase);
text = Regex.Replace(text, @"<script[^>]*>[\w|\t|\r|\W]*?</script>", " ", RegexOptions.IgnoreCase);



mfg