我将如何使用正则表达式将 HTML 解析为纯文本答案

【问题标题】：How would I use regex to parse HTML to plain text我将如何使用正则表达式将 HTML 解析为纯文本
【发布时间】：2009-06-12 09:03:09
【问题描述】：

我将如何使用正则表达式来解析以下内容：

<b>HelloWorld</b>
<p>This is a test</p>
<a href="myUrl">Google</a>

需要删除所有的html标签，并从超链接标签中提取url，结果应该是：

你好世界这是一个测试我的网址

【问题讨论】：

标签： .net regex

【解决方案1】：

我知道这不是您期望的答案，但您不应该尝试使用正则表达式解析 HTML。正则表达式解析 HTML 很复杂，有各种各样的东西都可能出错。编写一个能够可靠地解析 HTML 的正则表达式非常困难，我什至不确定它是否可能。

对 .NET 使用 Beautiful Soup 或 HTML Agility Pack 之类的东西。或者您可以使用解析器生成器创建自己的解析器。

【讨论】：

告诉人们“不要用正则表达式做 HTML”是徒劳的，这让我大吃一惊。 Stack Overflow 充满了这个建议，互联网的其他部分也是如此。好像没有人读过或相信它。无论如何，你有我的投票权。 :)
Tomalak：stackoverflow 涵盖的很多领域都有这些典型的反复出现的问题 - 这就是为什么在 stackoverflow 上提供每个标签的常见问题解答会很棒。 stackoverflow.uservoice.com/pages/1722-general/suggestions/…
没有人阅读常见问题解答，这或多或少是事实。如果人们在提问之前先阅读/谷歌，那么每天的问题数量将大大减少。
Tomalak：确实如此，但据我了解，我们的想法是编写一篇写得很好的文本，我们可以指导偶尔提问的人，而不是一直解释它或查找一个类似的问题并给出一个很好的答案。
我猜人们会选择代表而不是将 OP 指向常见问题解答。如果线程中的任何人解决了 OP 的直接问题，他们的答案将被接受，而不是“无聊”的常见问题解答指针，无论它可能是正确的。

【解决方案2】：

您应该为此使用解析器。正则表达式是行不通的。您可以使用递归正则表达式模式，但我认为 .NET 正则表达式引擎不支持它们。

【讨论】：