使用 ASP.NET，我怎样才能可靠地从给定字符串中去除 HTML 标记（即不使用正则表达式）？我正在寻找类似 PHP 的 strip_tags。
<ul><li>Hello</li></ul>
“你好”
我试图不重新发明轮子，但到目前为止我还没有找到任何满足我需求的东西。
【问题讨论】：
标签： c# asp.net html regex string
如果它只是从字符串中剥离 所有 HTML 标记，那么 reliably 也适用于正则表达式。替换：
<[^>]*(>|$)
全局使用空字符串。之后不要忘记规范化字符串，替换：
[\s\r\n]+
用一个空格，并修剪结果。可选择将任何 HTML 字符实体替换回实际字符。
注意：
&gt;。此解决方案将在遇到此类值时返回损坏的标记。【讨论】：
&quote;。为此，我将它与WebUtility.HtmlDecode 结合使用（这反过来不会删除标签）。在标签删除后使用它，因为它可能会重写&gt; 和&lt;。例如。 WebUtility.HtmlDecode(Regex.Replace(myTextVariable, "<[^>]*(>|$)", string.Empty))
您也可以使用 AngleSharp 来执行此操作，它是 HtmlAgilityPack 的替代品（并不是说 HAP 不好）。从 HTML 源中获取文本比 HAP 更容易使用。
var parser = new HtmlParser();
var htmlDocument = parser.ParseDocument(source);
var text = htmlDocument.Body.Text();
您可以查看key features 部分，他们在其中提出了比 HAP“更好”的案例。我认为在大多数情况下，对于当前问题来说，这可能是矫枉过正，但它仍然是一个有趣的选择。
【讨论】：
using System.Text.RegularExpressions;
string str = Regex.Replace(HttpUtility.HtmlDecode(HTMLString), "<.*?>", string.Empty);
【讨论】：
对于第二个参数，即保留一些标签，你可能需要一些这样的代码，使用 HTMLagilityPack：
public string StripTags(HtmlNode documentNode, IList keepTags)
{
var result = new StringBuilder();
foreach (var childNode in documentNode.ChildNodes)
{
if (childNode.Name.ToLower() == "#text")
{
result.Append(childNode.InnerText);
}
else
{
if (!keepTags.Contains(childNode.Name.ToLower()))
{
result.Append(StripTags(childNode, keepTags));
}
else
{
result.Append(childNode.OuterHtml.Replace(childNode.InnerHtml, StripTags(childNode, keepTags)));
}
}
}
return result.ToString();
}
本页更多解释：http://nalgorithm.com/2015/11/20/strip-html-tags-of-an-html-in-c-strip_html-php-equivalent/
【讨论】：
我查看了此处建议的基于正则表达式的解决方案，除了最微不足道的情况外，它们并没有让我充满信心。一个属性中的尖括号就可以打破，更不用说来自野外的格式错误的HTML了。那么像&amp; 这样的实体呢？如果要将 HTML 转换为纯文本，还需要对实体进行解码。
所以我提出下面的方法。
使用HtmlAgilityPack，此扩展方法有效地从 html 片段中剥离所有 HTML 标记。还解码 HTML 实体，如 &amp;。仅返回内部文本项，每个文本项之间有一个新行。
public static string RemoveHtmlTags(this string html)
{
if (String.IsNullOrEmpty(html))
return html;
var doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(html);
if (doc.DocumentNode == null || doc.DocumentNode.ChildNodes == null)
{
return WebUtility.HtmlDecode(html);
}
var sb = new StringBuilder();
var i = 0;
foreach (var node in doc.DocumentNode.ChildNodes)
{
var text = node.InnerText.SafeTrim();
if (!String.IsNullOrEmpty(text))
{
sb.Append(text);
if (i < doc.DocumentNode.ChildNodes.Count - 1)
{
sb.Append(Environment.NewLine);
}
}
i++;
}
var result = sb.ToString();
return WebUtility.HtmlDecode(result);
}
public static string SafeTrim(this string str)
{
if (str == null)
return null;
return str.Trim();
}
如果你真的很认真，你也会想忽略某些 HTML 标记的内容（<script>、<style>、<svg>、<head>、<object> 浮现在脑海中！）因为它们可能不包含我们所追求的可读内容。你在那里做什么取决于你的情况和你想走多远，但使用 HtmlAgilityPack 将选定的标签列入白名单或黑名单将非常简单。
如果您将内容呈现回 HTML 页面，请确保您了解 XSS 漏洞和how to prevent it - 即始终对返回到 HTML 页面的任何用户输入的文本进行编码（&gt; 变为 &gt;等）。
【讨论】：
只需使用string.StripHTML();
【讨论】：
对于那些抱怨 Michael Tiptop 的解决方案不起作用的人，这里是 .Net4+ 的做法：
public static string StripTags(this string markup)
{
try
{
StringReader sr = new StringReader(markup);
XPathDocument doc;
using (XmlReader xr = XmlReader.Create(sr,
new XmlReaderSettings()
{
ConformanceLevel = ConformanceLevel.Fragment
// for multiple roots
}))
{
doc = new XPathDocument(xr);
}
return doc.CreateNavigator().Value; // .Value is similar to .InnerText of
// XmlDocument or JavaScript's innerText
}
catch
{
return string.Empty;
}
}
【讨论】：
protected string StripHtml(string Txt)
{
return Regex.Replace(Txt, "<(.|\\n)*?>", string.Empty);
}
Protected Function StripHtml(Txt as String) as String
Return Regex.Replace(Txt, "<(.|\n)*?>", String.Empty)
End Function
【讨论】：
对于那些不能使用 HtmlAgilityPack 的人来说，.NETs XML 阅读器是一种选择。这在格式良好的 HTML 上可能会失败，因此请始终添加带有 regx 的 catch 作为备份。请注意，这并不快，但它确实为老派调试提供了一个很好的机会。
public static string RemoveHTMLTags(string content)
{
var cleaned = string.Empty;
try
{
StringBuilder textOnly = new StringBuilder();
using (var reader = XmlNodeReader.Create(new System.IO.StringReader("<xml>" + content + "</xml>")))
{
while (reader.Read())
{
if (reader.NodeType == XmlNodeType.Text)
textOnly.Append(reader.ReadContentAsString());
}
}
cleaned = textOnly.ToString();
}
catch
{
//A tag is probably not closed. fallback to regex string clean.
string textOnly = string.Empty;
Regex tagRemove = new Regex(@"<[^>]*(>|$)");
Regex compressSpaces = new Regex(@"[\s\r\n]+");
textOnly = tagRemove.Replace(content, string.Empty);
textOnly = compressSpaces.Replace(textOnly, " ");
cleaned = textOnly;
}
return cleaned;
}
【讨论】：
现在就去下载 HTMLAgilityPack！ ;) Download LInk
这允许您加载和解析 HTML。然后，您可以导航 DOM 并提取所有属性的内部值。说真的，它最多将花费您大约 10 行代码。它是目前最伟大的免费 .net 库之一。
这是一个示例：
string htmlContents = new System.IO.StreamReader(resultsStream,Encoding.UTF8,true).ReadToEnd();
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(htmlContents);
if (doc == null) return null;
string output = "";
foreach (var node in doc.DocumentNode.ChildNodes)
{
output += node.InnerText;
}
【讨论】：
text() 节点，修剪内容和字符串。加入空格。 IEnumerable<string> allText = doc.DocumentNode.SelectNodes("//text()").Select(n => n.InnerText.Trim())
if (doc == null)？这总是假的，不是吗？
我在 c# 中编写了一个非常快的方法，它击败了正则表达式。它托管在 CodeProject 上的an article。
除了更好的性能之外，它的优势还在于能够替换命名和编号的 HTML 实体（例如 &amp;amp; 和 &203;）以及替换注释块等等。
请阅读related article on CodeProject。
谢谢。
【讨论】：
string result = Regex.Replace(anytext, @"<(.|\n)*?>", string.Empty);
【讨论】：
Regex.Replace(htmlText, "<.*?>", string.Empty);
【讨论】：
RegexOptions.SingleLine 运行。
我已经在 asp.net 论坛上发布了这个，它似乎仍然是最简单的解决方案之一。我不能保证它是最快或最有效的，但它非常可靠。 在 .NET 中，您可以使用 HTML Web 控件对象本身。您真正需要做的就是将您的字符串插入到一个临时的 HTML 对象（例如 DIV）中，然后使用内置的“InnerText”来获取所有不包含在标签中的文本。下面是一个简单的 C# 示例：
System.Web.UI.HtmlControls.HtmlGenericControl htmlDiv = new System.Web.UI.HtmlControls.HtmlGenericControl("div");
htmlDiv.InnerHtml = htmlString;
String plainText = htmlDiv.InnerText;
【讨论】：