使用正则表达式 c# 去除除 之外的 html 标签答案

【问题标题】：Strip html tags except using regex c#使用正则表达式 c# 去除除 之外的 html 标签
【发布时间】：2013-05-01 01:36:42
【问题描述】：

我想去除所有的 html，但使用正则表达式保留  标签。有没有更好的方法来代替

将 替换为$b$ 等非html 标记
使用<[^>]*>删除所有html标签
将 $b$ 替换为

【问题讨论】：

正则表达式并不是解析 html/xml 的最佳选择。查看XmlDocument，您可以使用 XPath 解析它的元素并更轻松地实现您的目标。
Obligatory regex with HTML SO post
@Jean，虽然正则表达式对于嵌套结构并不理想，但如果 OP 不关心嵌套（并且只关心  标记而不管嵌套级别如何），那么正则表达式就可以正常工作。（还有大多数 HTML——尤其是 HTML5 html——不是 有效的 XML。例如，  是完全合法但无效的 xml）
是的。我没有任何其他构造。我只想剥离除 b 标记之外的所有内容。我只是在做这个小 html sn-p（1000 个字符）

标签： c# regex html-parsing

【解决方案1】：

下面是一种只允许打开和关闭b 标记的方法。任何其他标签都将被删除。

var teststring = "Test <b>test</b> lorem <i>ipsum</i>";
var pattern = @"(?!</?b>)<.*?>"; // assuming open and closing tags are retained
Console.WriteLine(Regex.Replace
       (teststring,
         pattern,
         String.Empty,
         RegexOptions.Multiline));

输出：Test test lorem ipsum

【讨论】：

谢谢 Drf。好奇你的执行速度会比我的更快吗？我也希望去掉 html 标签而不是对其进行编码。
我根据您的评论更新了代码。很难回答 a number of reasons 的性能问题，但是（带有免责声明）我不希望这种方法对单个标签更快。但是，它可以简化添加其他标签的过程。您的方法的一个潜在（可能是次要）问题是，如果输入恰好包含文本 $b$ ，它将被错误地转换为 。