Telegram机器人消息中无效HTML标签自动替换的正则实现问题

问题分析 #

你之前的正则代码未生效，核心原因有两点：

1. 正则规则错误：r'<[^a-zA-Z/!?](.*?)>' 仅匹配<后紧跟**非字母/!/？**的内容，而<argument>这类无效标签的<后是字母，完全不在匹配范围内，自然无法替换。
2. 输入处理逻辑混淆：你传入的测试字符串已经是转义后的<...>，但实际场景中应该直接处理原始的<和>字符，再针对有效标签保留格式。

解决方案 #

Telegram官方允许的HTML标签包括：a、b、i、u、s、code、pre、strong、em、ins、del、span、br、p。我们可以用负向前瞻正则排除这些有效标签，仅转义其余的<和>：

import re

def fix_telegram_html(html_content):
    # 定义Telegram允许的HTML标签集合
    allowed_tags = {'a', 'b', 'i', 'u', 's', 'code', 'pre', 'strong', 'em', 'ins', 'del', 'span', 'br', 'p'}
    # 构建正则模式：匹配非允许标签的<...>结构，忽略大小写
    tag_pattern = re.compile(
        r'<(?!/?({})\b)[^>]*>'.format('|'.join(allowed_tags)),
        re.IGNORECASE
    )
    # 替换匹配到的无效标签：将<转为&lt;，>转为&gt;
    def replace_invalid(match):
        return match.group(0).replace('<', '&lt;').replace('>', '&gt;')
    
    return tag_pattern.sub(replace_invalid, html_content)

# 测试示例
raw_html = '<a href="tg://user?id=1">Bot</a> <argument1> <div>无效标签</div> <b>加粗文本</b>'
fixed_html = fix_telegram_html(raw_html)
print(fixed_html)

代码说明 #

• 正则中的(?!/?({})\b)是负向前瞻断言，确保<后不是允许标签的开头（比如a或/a），才会匹配该标签。
• re.IGNORECASE保证标签大小写不影响匹配（比如<Argument>也会被识别为无效标签）。
• 替换函数仅修改无效标签的<和>，保留标签内部的内容不变。

测试输出 #

运行上述代码后，输出结果为：

<a href="tg://user?id=1">Bot</a> &lt;argument1&gt; &lt;div&gt;无效标签&lt;/div&gt; <b>加粗文本</b>

可以看到，有效标签<a>和<b>完全保留，无效的<argument1>、<div>都被正确转义，不会触发Telegram的格式报错。

内容的提问来源于stack exchange，提问作者user14038884