HTML タグの除去：残るもの、失われるもの

本当に必要になる場面

ページの本文をプレーンテキストへ移すときが典型です。メール、Word、チケット、翻訳ファイルはどれもマークアップを必要としません。リッチテキストエディタの書き出しや HTML メールのテンプレートも、再利用前に同じ処理が要ります。

もう一つは比較です。HTML 同士をそのまま差分比較すると属性の違いで画面が埋まりますが、タグを除いてから比べれば言葉の変化だけが見えます。一括整理の下ごしらえとしても使われます。

単純なルールと、その落とし穴

削除されるのは山かっこで囲まれた部分だけです。タグの間の文字は残り、属性はタグと一緒に消えるためリンク先は失われます。文字実体参照は変換されず、& は & のまま、  も実体参照のまま残ります。

script や style の中身は結果に残ります。消えるのはタグで、内側の文字はタグではないからです。ここが最も踏みやすい落とし穴です。本文中の a < b > c のような比較表現もタグとして削除され、閉じていない山かっこは後続の広い範囲を飲み込むことがあります。

• 文字実体参照は残るので別途変換が必要
• script と style の中身は残る
• 本文中の山かっこが消えることがある

代替手段とセキュリティの境界

本文だけを抽出し、ナビゲーションや広告を落としたいなら、リーダーモードや Readability のようなライブラリを使います。リンクの文字と URL の両方を残したいなら、タグを一括削除せず DOM をたどってノードを読みます。不正な入力を扱うなら、正規表現よりブラウザの HTML パーサーが確実です。

セキュリティ対策として使ってはいけません。タグの削除はエスケープではなく、残った実体参照やテキストがマークアップとして解釈される可能性は残ります。XSS 対策は、出力時に文脈に応じてエスケープし、許可リストで無害化し、HTML をサーバー側で生成することです。