您可以使用正则表达式但保持格式化吗？

Question

我有这行代码允许我删除在我的文本中显示的 HTML 标记，但它会丢失所有格式。而且我想知道是否有任何方法可以删除 HTML 标签但保留文本的格式，如粗体、斜体等。这是代码行：

 report.Description = Regex.Replace(report.Description, "<.*?>|&nbsp;", string.Empty);

这是显示描述字段的代码行：

        graphics.DrawString("" + report.Description, font2, XBrushes.Black, new XRect(margin, page.Height - (lineHeight * 35), page.Width, page.Height), XStringFormats.TopCenter);

我的 reports.cs 文件中也有这个公共类：

  public string Description { get; set; }

我正在使用 PDFsharp 让它在 PDF 中显示。 任何建议或支持将不胜感激。谢谢你。

Answer 1

这听起来很像一个过滤器，可以用来防止跨站点脚本攻击。这个想法是保留一个被认为是安全或可取的 HTML 元素的子集，并丢弃所有其他元素。

Regex.Replace 的多种形式接受每次找到正则表达式匹配时调用的 MatchEvaluator 委托。保留某些元素的逻辑可以在委托中实现。

以下课程可能满足您的需求。

public static class HtmlFilter
{
    private static HashSet<string> _keep;

    static HtmlFilter()
    {
        _keep = new HashSet<string>(StringComparer.OrdinalIgnoreCase);
        _keep.Add("b");
        _keep.Add("em");
        _keep.Add("i");
        _keep.Add("span");
        _keep.Add("strong");
        // Add other tags as needed.
    }

    private static string ElementFilter(Match match)
    {
        string tag = match.Result("${tag}");

        if (_keep.Contains(tag))
            return match.Value;
        else
            return string.Empty;
    }

    public static string Apply(string input)
    {
        Regex regex = new Regex(@"</?(?<tag>\w*)[^>]*>|&nbsp;");
        return regex.Replace(input, new MatchEvaluator(ElementFilter));
    }
}

然后您可以使用以下方法过滤您的报告描述：

report.Description = HtmlFilter.Apply(report.Description);

请注意，正则表达式会保留 HTML 属性，以便保留像 <span style="..."> 这样的格式化元素。