在值为 HTML 的字符串属性中搜索文本答案

【问题标题】：Searching for a text in a string property where the value is HTML在值为 HTML 的字符串属性中搜索文本
【发布时间】：2019-07-31 09:33:51
【问题描述】：

我的数据库 (SQL Server) 中有一个类型为 nvarchar(max) 的字段，其值为 HTML（比如电子邮件的内容）。

我想通过给定文本搜索这些值。我使用.net core 和Entity framework 进行查询。

当然，我可以简单地使用Contains 函数，但它也包含HTML 标记。例如，如果我搜索文本“strong”，它也会匹配那些具有强 HTML 标记的值，尽管它们的内容中可能没有 strong 这个词，这是不可取的。

var query = _dbContext.Emails.AsQueryable();

// The following code also searches through HTML tags
if(!string.IsNullOrWhiteSpace(searchText))
{
    query=query.Where(ent=>ent.Contents.Contains(searchText));
}

有没有一种简单的方法可以避免在搜索中使用 HTML 标记，例如使用 Regex？

更新

理想情况下，当查询是IQueryable 而不是IEnumerable 时，即在调用.ToList() 之前，我想在SQL 服务器端执行此操作。

【问题讨论】：

HTML 不是正则的，Regex 是用来解析正则表达式的。所以我们不建议在 html 上使用正则表达式。最好使用 HTML 库从 html 中获取标签/数据。
先剥离 html 标签。网络上有很多功能可以做到这一点。
也许使用 '>...
使用这个SQL函数stackoverflow.com/questions/457701/…

标签： c# linq .net-core

【解决方案1】：

我认为您的情况没有简单的答案，但您有多种可能性。如果您不想获得完整的标签，Regex 可以是一个简单的解决方案。更深入但更复杂的是使用 HtmlAgilityPack 之类的包来解析您的邮件。

这是一个正则表达式的例子：

var searchWord = "strong";
var mail = "<strong>blablabla</strong><p>blabla strong blabla</p>";
var rgx = new Regex($"(?!<){searchWord}(?!>)"); // Will match strong but not <strong> or <strong or strong>
if (rgx.IsMatch(mail))
{
    // Do what you want
}

【讨论】：

【解决方案2】：

看看你是否可以使用免费开源的HtmlAgilityPack，通过它你可以先将html文本转换为纯文本，然后应用搜索条件。

例如：var plainTextResult = HtmlUtilities.ConvertToPlainText(string html);

if(!string.IsNullOrWhiteSpace(searchText))
{
    bool containsResult = plainTextResult.Contains(searchText);
}

【讨论】：

【解决方案3】：

感谢@Amine 和@lollmbaowtfidgafgtfoohwtbs，我想出了如何做到这一点。

首先，我在我的数据库中创建了一个删除给定文本的 SQL 函数：


CREATE FUNCTION [dbo].[ufnStripHTML] (@HTMLText NVARCHAR(MAX))
RETURNS NVARCHAR(MAX) AS
BEGIN
    DECLARE @Start INT
    DECLARE @End INT
    DECLARE @Length INT
    SET @Start = CHARINDEX('<',@HTMLText)
    SET @End = CHARINDEX('>',@HTMLText,CHARINDEX('<',@HTMLText))
    SET @Length = (@End - @Start) + 1
    WHILE @Start > 0 AND @End > 0 AND @Length > 0
    BEGIN
        SET @HTMLText = STUFF(@HTMLText,@Start,@Length,'')
        SET @Start = CHARINDEX('<',@HTMLText)
        SET @End = CHARINDEX('>',@HTMLText,CHARINDEX('<',@HTMLText))
        SET @Length = (@End - @Start) + 1
    END
    RETURN LTRIM(RTRIM(@HTMLText))
END
GO

然后我在DbContext 中添加了对该函数的引用：

        [DbFunction("ufnStripHTML")]
        public static string StripHTML(string text)
        {
            throw new Exception("not implemented");
        }

现在我可以在我的Linq to SQL 查询中使用它：


if (!string.IsNullOrWhiteSpace(searchText))
{
    query = query.Where(ent => TGDbContext.StripHTML(ent.Contents).Contains(searchText));
}

【讨论】：

【解决方案4】：

您可以像下面这样使用正则表达式函数：

"<div>Hello</div><span>World</span>".replace(/<[^>]*>/g, '')

【讨论】：

您在这里使用什么语言？它不是 C#。
该示例包含您需要的正则表达式，这只是一个示例，我相信您只需在 C# 代码中使用该正则表达式来替换第一个 Html，然后您就可以使用 IndexOf() 函数。我希望这是有道理的。不要给我负面反馈，我只是想帮助你。
谢谢@Mahesh。我没有给你负面的反馈。别人做了！
@Mojtaba 也给你