从字符串中删除多余的 html 标签

Question

我有各种 string 对象，带有 html 格式的文本。其中一些字符串的末尾包含某些我想以编程方式删除的标签，例如末尾的这些 linebreak 和 paragraph 标签：

<li><ol>  **Text/List**  </li></ol><p><br></p><br><br>

我需要从它的端点检查字符串，但我不知道在哪里切断末端，或者在哪里寻找切割点。我只需要摆脱这些多余的标签。

我试图构建一个检查字符串的函数，我知道它不能正常工作，但这是我的基础：

public static String RemoveRedundantTags(this String baseString, String html)
    {
        if (html.Contains("<"))
        {
            for (Int32 i = html.Length - 1; i >= 1; i--)
            {
                if (html[i] == '<' && html[i - 1] != '>' && html[i + 1] != '/')
                {
                    redundantTags = html.Substring(html[i], html.Length - i);

                    html = html.Replace(redundantTags, String.Empty);

                    return html;
                }
            }
        }

        return html;
    }

Answer 1

如果我需要处理 HTML，我会使用 HTML 解析器，例如 HtmlAgilityPack，not string methods or regex。这是一个从末尾删除所有br 的示例：

string html = "<li><ol>  **Text/List**  </li></ol><p><br></p><br><br>";
var doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(html);
var brToRemove = doc.DocumentNode.Descendants().Reverse().TakeWhile(n => n.Name == "br");
foreach (HtmlNode node in brToRemove)
    node.Remove();

using (StringWriter writer = new StringWriter())
{
    doc.Save(writer);
    string result = writer.ToString();
}

结果是：

<li><ol>  **Text/List**  </ol></li><p>

正如您所看到的，默认情况下它会自行修复解析错误。有一个：

找不到开始标签<ol>

---

如果 html 是

html = "<ol><li>TEXT</li></ol><p><br></p><p><br></p>&nbsp;";

并且您想要删除所有 <p> 和 <br> 标记，以及注释中的末尾的  。您可以使用以下方法，该方法使用字典，其中键是标签名，值是该标签的内部文本的字符串，因此是子选择器。如果该值是一个空序列，则无论它有什么内部文本，都应该删除该标签。这是一本满足您要求的字典：

var tagsToRemove = new Dictionary<string, IEnumerable<string>>
{
    { "br", Enumerable.Empty<string>() }, { "p", Enumerable.Empty<string>() }, { "#text", new[] { "&nbsp;" } }
};

现在查找所有要删除的标签的 LINQ 查询是：

var brToRemove = doc.DocumentNode.Descendants()
    .Reverse()
    .TakeWhile(n => tagsToRemove.ContainsKey(n.Name) 
                 && tagsToRemove[n.Name].DefaultIfEmpty(n.InnerText).Contains(n.InnerText));

（期望的）结果是：

<ol><li>TEXT</li></ol>