如何在PostgreSQL中移除HTML标签并保留指定例外标签？

1. 自定义strip_tags函数 #

先创建一个PL/pgSQL函数，通过"占位符替换"逻辑实现保留指定HTML标签、移除其余标签的效果——先保护允许的标签不被误删，再清除所有剩余标签，最后恢复允许的标签。

CREATE OR REPLACE FUNCTION strip_tags_keep_allowed(input_text text, allowed_tags text)
RETURNS text AS $$
DECLARE
    tag_pattern text;
    placeholder_prefix text := '__TAG_HOLDER__';
    placeholder_counter integer := 0;
    temp_text text := input_text;
    matched_tags text[];
    current_tag text;
BEGIN
    -- 自动为允许的标签添加对应的闭合标签（比如传入i会自动包含/i）
    allowed_tags := allowed_tags || ',' || replace(allowed_tags, ',', ',/');
    -- 构建匹配允许标签的正则（支持带属性的标签，比如<p class="demo">）
    tag_pattern := '<(' || replace(allowed_tags, ',', '|') || ')([^>]*)>';

    -- 第一步：将所有允许的标签替换为唯一占位符，避免被后续清除
    WHILE temp_text ~ tag_pattern LOOP
        current_tag := substring(temp_text FROM tag_pattern);
        temp_text := regexp_replace(temp_text, tag_pattern, placeholder_prefix || placeholder_counter, 'g');
        matched_tags[placeholder_counter] := current_tag;
        placeholder_counter := placeholder_counter + 1;
    END LOOP;

    -- 第二步：移除所有剩余的HTML标签
    temp_text := regexp_replace(temp_text, '<[^>]*>', '', 'g');

    -- 第三步：将占位符替换回原允许的标签
    FOR i IN 0..array_length(matched_tags, 1)-1 LOOP
        temp_text := replace(temp_text, placeholder_prefix || i, matched_tags[i]);
    END LOOP;

    RETURN temp_text;
END;
$$ LANGUAGE plpgsql IMMUTABLE;

函数使用示例 #

-- 保留h1、p、strong、i标签，移除其他所有标签
SELECT strip_tags_keep_allowed(
    '<h1>测试标题</h1><p>这是<em>需要移除</em>的内容，<strong>加粗</strong>和<i>斜体</i>要保留，<script>alert("恶意脚本")</script>会被清除',
    'h1,p,strong,i'
);

执行后输出：

<h1>测试标题</h1><p>这是需要移除的内容，<strong>加粗</strong>和<i>斜体</i>要保留，会被清除

2. 用触发器自动处理字段 #

如果需要在插入/更新数据时自动清洗内容，可以创建触发器绑定上述函数。

假设你的表是content，包含raw_content（存储富文本原始内容）和clean_content（存储清洗后的内容）字段：

第一步：创建触发器函数 #

CREATE OR REPLACE FUNCTION clean_content_trigger()
RETURNS TRIGGER AS $$
BEGIN
    -- 指定允许保留的标签，按需修改
    NEW.clean_content := strip_tags_keep_allowed(NEW.raw_content, 'h1,p,strong,i');
    RETURN NEW;
END;
$$ LANGUAGE plpgsql;

第二步：创建触发器 #

CREATE TRIGGER trigger_auto_clean_content
BEFORE INSERT OR UPDATE ON content
FOR EACH ROW EXECUTE FUNCTION clean_content_trigger();

之后每次插入或更新raw_content时，clean_content会自动生成清洗后的内容。

注意事项 #

• 该函数支持带属性的允许标签（比如<p class="article">会被完整保留），如果需要仅保留无属性的标签，可以将正则修改为：

  tag_pattern := '<(' || replace(allowed_tags, ',', '|') || ')\s*>|<(' || replace(allowed_tags, ',', '|') || ')>';
  

• 正则处理HTML存在局限性，对于嵌套过深、不规范的HTML（比如未闭合标签）可能出现异常。如果需要更严谨的HTML解析，可以结合PostgreSQL的xml类型进行处理（复杂度更高）。
• 函数标记为IMMUTABLE，意味着相同输入会返回相同输出，适合用于索引或缓存优化。

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