使用C＃正则表达式删除HTML标签

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());

评论

---

HTML Agility Pack不能解决与使用HTML相关的所有问题（例如，如果您只想使用HTML代码的片段怎么办？！）。

–PropellerHead
09-10-23在7:23

---

它可以很好地与HTML片段配合使用，并且是原始海报描述的方案的最佳选择。另一方面，正则表达式只能与理想化的HTML一起使用，并且会与完全有效的HTML一起使用，因为HTML的语法不规则。如果他使用的是Ruby，我仍然会建议使用nokogiri或hpricot或Python的beautifulsoup。最好将HTML像HTML一样对待，而不是一些没有语法的任意文本流。

–JasonTrue
09-10-23在15:54

---

HTML不是常规语法，因此不能仅使用常规表达式进行解析。您可以将正则表达式用于词法分析，但不能用于语法分析。真的就是这么简单。语言学家在HTML甚至还没有存在之前就已经对此达成共识。

–JasonTrue
2011-3-15在15:43

---

这不是意见问题。正则表达式在大多数情况下可以为您提供大部分所需的信息，但是在非常常见的情况下它将失败。如果您能找到比HTML Agility Pack更好/更快的解析器，那就去吧，但请不要让世界遭受更多破碎的HTML骇客攻击。

–JasonTrue
2011-3-15在15:52

---

You can't correctly identify HTML tags reliably without parsing HTML. Do you understand all of the grammar for HTML? See the evil hack to get "pretty close" that other answers suggest, and tell me why you'd want to have to maintain that. Downvoting me because a hacky quick attempt works for your sample input isn't going to make your solution correct. I've occasionally used regexes the generate reports from HTML content or to fix up some CSS reference using negative matching on > to limit the chance of errors, but the we did additional verifications; it wasn't general purpose.

– JasonTrue
Dec 16 '11 at 9:13

---

@"(?></?\w+)(?>(?:[^>'""]+|'[^']*'|""[^""]*"")*)>"

评论

---

到目前为止，这是最好的答案。您回答发布者的问题，并解释为什么对给定任务不应使用正则表达式。做得好。

– JWilliams
2012年1月27日17:52

---

public string StripTags(string input) {
    var doc = new HtmlDocument();
    doc.LoadHtml(input ?? "");
    return doc.DocumentNode.InnerText;
}

评论

---

尽管对此我有些迟了，但我想提一下，它也适用于Word和其他办公产品产生的xml。任何曾经需要处理Word xml的人都可以很好地使用它，因为它确实有很大帮助，特别是如果您需要从内容中剥离标签，而这正是我所需要的。

–史蒂夫·佩蒂弗（Steve Pettifer）
13年4月9日在8:18

---

当所有其他方法似乎都失败了时，这个简单的代码片段挽救了这一天。谢谢！

– Ted Krapf
3月6日3:49

---

   /// <summary>
    /// Removes all html tags from string and leaves only plain text
    /// Removes content of <xml></xml> and <style></style> tags as aim to get text content not markup /meta data.
    /// </summary>
    /// <param name="input"></param>
    /// <returns></returns>
    public static string HtmlStrip(this string input)
    {
        input = Regex.Replace(input, "<style>(.|\n)*?</style>",string.Empty);
        input = Regex.Replace(input, @"<xml>(.|\n)*?</xml>", string.Empty); // remove all <xml></xml> tags and anything inbetween.  
        return Regex.Replace(input, @"<(.|\n)*?>", string.Empty); // remove any tags but not there content "<p>bob<span> johnson</span></p>" becomes "bob johnson"
    }

评论

---

除了明显的跨平台换行问题之外，对内容进行定界时，使用不合要求的量词也很慢。将诸如。*（？！）之类的内容与RegexOptions.SingleLine修饰符一起用于前两个，而将<[^>] *>用于最后一个。还可以通过捕获的第一个标签名称的替换以及在否定的超前标签和最终标签中的反向引用来组合第一个标签。

– ChristF
13年5月9日23:38

---