c# - 如何在不知道其中包含哪些标签的情况下从字符串中删除所有 HTML 标签？

Question

有什么简单的方法可以从字符串中删除所有 HTML 标签或任何与 HTML 相关的内容吗？

例如：

string title = "<b> Hulk Hogan's Celebrity Championship Wrestling &nbsp;&nbsp;&nbsp;<font color=\"#228b22\">[Proj # 206010]</font></b>&nbsp;&nbsp;&nbsp; (Reality Series, &nbsp;)"

上面真的应该是：

“绿巨人霍根的名人冠军摔跤 [项目＃206010]（现实系列）”

Answer 1

您可以使用这样的简单正则表达式：

public static string StripHTML(string input)
{
   return Regex.Replace(input, "<.*?>", String.Empty);
}

请注意，此解决方案有其自身的缺陷。有关更多信息，请参阅删除字符串中的 HTML 标记（尤其是 'Mark E. Haase'/@mehaase 的注释）

另一种解决方案是使用HTML Agility Pack。
您可以在此处找到使用该库的示例：HTML 敏捷包 - 删除不需要的标签而不删除内容？

Answer 2

您可以使用Html Agility 包解析字符串并获取 InnerText。

    HtmlDocument htmlDoc = new HtmlDocument();
    htmlDoc.LoadHtml(@"<b> Hulk Hogan's Celebrity Championship Wrestling &nbsp;&nbsp;&nbsp;<font color=\"#228b22\">[Proj # 206010]</font></b>&nbsp;&nbsp;&nbsp; (Reality Series, &nbsp;)");
    string result = htmlDoc.DocumentNode.InnerText;

Answer 3

您可以在字符串上使用以下代码，您将获得不带 html 部分的完整字符串。

string title = "<b> Hulk Hogan's Celebrity Championship Wrestling &nbsp;&nbsp;&nbsp;<font color=\"#228b22\">[Proj # 206010]</font></b>&nbsp;&nbsp;&nbsp; (Reality Series, &nbsp;)".Replace("&nbsp;",string.Empty);            
        string s = Regex.Replace(title, "<.*?>", String.Empty);