使用C#正则表达式删除HTML标记
使用C#正则表达式删除HTML标记
提问于 2009-04-25 00:23:11
如何使用HTML正则表达式替换/删除所有C#标记，包括尖括号？有没有人能帮我弄一下代码？
回答 9
Stack Overflow用户
发布于 2009-04-25 00:31:48
如前所述，您不应该使用正则表达式来处理XML或HTML文档。它们在HTML和XML文档中的表现不是很好，因为没有办法以通用的方式表达嵌套结构。
您可以使用以下代码。
String result = Regex.Replace(htmlDocument, @"<[^>]*>", String.Empty);这将适用于大多数情况，但也会有一些情况(例如，包含尖括号的CDATA )不会像预期的那样工作。
Stack Overflow用户
发布于 2009-04-25 00:51:45
正确的答案是不要这样做，使用HTML Agility Pack。
编辑后添加：
为了厚颜无耻地窃取jesse下面的评论，并避免被指责在这么长时间后没有充分回答这个问题，这里有一个使用HTML Agility Pack的简单、可靠的代码片段，它甚至可以与最不完美、反复无常的HTML一起工作：
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(Properties.Resources.HtmlContents);
var text = doc.DocumentNode.SelectNodes("//body//text()").Select(node => node.InnerText);
StringBuilder output = new StringBuilder();
foreach (string line in text)
{
output.AppendLine(line);
}
string textOnly = HttpUtility.HtmlDecode(output.ToString());使用正则表达式解析HTML的情况很少，因为没有上下文感知就无法正确解析HTML，即使在非传统的正则表达式引擎中提供上下文感知也是非常痛苦的。您可以使用RegEx进行部分验证，但您需要进行手动验证。
Html Agility Pack可以为您提供一个健壮的解决方案，它将减少手动修复异常的需要，这些异常可能是由于天真地将HTML视为上下文无关语法而导致的。
正则表达式在大多数情况下可能会得到您想要的结果，但在非常常见的情况下它会失败。如果你能找到一个比HTML Agility Pack更好/更快的解析器，那就去做吧，但请不要让世界遭受更多的HTML黑客攻击。
Stack Overflow用户
发布于 2009-04-25 00:31:08
Regex regex = new Regex(@"</?\w+((\s+\w+(\s*=\s*(?:"".*?""|'.*?'|[^'"">\s]+))?)+\s*|\s*)/?>", RegexOptions.Singleline);页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/787932
复制相关文章
相似问题