C# 如何使用正则表达式删除 XML/HTML 注释

Question

下面的片段对我不起作用。

fragment = Regex.Replace(fragment, "<!--.*?-->", String.Empty , RegexOptions.Multiline  );

Answer 1

改为RegExOptions.Singleline 就可以了。 当不在单行模式下时，点匹配任何字符，除了换行符。

请注意，Singleline 和 Multiline 并不相互排斥。他们做两件不同的事情。引用 MSDN：

多行模式。改变的意思 ^ 和 $ 所以它们在开头匹配 和结束，分别，任何行， 而不仅仅是开始和结束 整个字符串。

单行模式。变化 点 (.) 的含义，所以它 匹配每个字符（而不是 除了 \n) 之外的所有字符。

其他人已经建议使用 HTML Agility Pack。我只是觉得你应该解释一下为什么你的正则表达式不起作用:)

Answer 2

请不要使用正则表达式来处理标记语言 - 您需要使用专为此类工作构建的更好的工具。

请改用Html Agiliy Pack。我什至在this article 中找到了一个阅读器（名为 Simon Mourier）的 cmets，该函数使用 Html Agility Pack 从文档中删除 cmets：

Simon Mourier说：

这是要删除的示例代码 厘米：

static void Main(string[] args) 
{ 
  HtmlDocument doc = new HtmlDocument(); 
  doc.Load("filewithcomments.htm"); 
  doc.Save(Console.Out); // show before 
  RemoveComments(doc.DocumentNode); 
  doc.Save(Console.Out); // show after 
} 

static void RemoveComments(HtmlNode node)
{
    if (!node.HasChildNodes)
    {
        return;
    }

    for (int i=0; i<node.ChildNodes.Count; i++)
    {
        if (node.ChildNodes[i].NodeType == HtmlNodeType.Comment)
        {
            node.ChildNodes.RemoveAt(i);
            --i;
        }
    }

    foreach (HtmlNode subNode in node.ChildNodes)
    {
        RemoveComments(subNode);
    }
}

Answer 3

这是通过 C# 剥离 cmets 的最高 Google 结果，这是我的 HtmlAgilityPack 代码。

        HtmlDocument doc = new HtmlDocument
                           {
                               OptionFixNestedTags = true,
                               OptionOutputAsXml = true
                           };
        doc.LoadHtml(str);

        // Script comments from the document. 
        if (doc.DocumentNode != null)
        {
            HtmlNodeCollection nodes = doc.DocumentNode.SelectNodes("//comment()");
            if (nodes != null)
            {
                foreach (HtmlNode node in from cmt in nodes
                                          where (cmt != null
                                                 && cmt.InnerText != null
                                                 && !cmt.InnerText.ToUpper().StartsWith("DOCTYPE"))
                                                 && cmt.ParentNode != null
                                          select cmt)
                {
                    node.ParentNode.RemoveChild(node);
                }
            }
        }

这在剥离 cmets 时可以正常工作，并忽略 HtmlAgilityPack 将其视为注释的 doctype。

虽然正则表达式确实在受控条件下工作。如果您正在处理来自狂野网络的 HTML，那么我建议您使用 HtmlAgilityPack。那里的 HTML 非常不可预测，正则表达式会中断。

Answer 4

这个对我有用：

<!--(\n|.)*-->

但我认为您可以将普通的 XML 文档用于 XML，或者将 HtmlAgilityPack 用于 HTML。强烈不建议使用 RegEx 解析标记。