c# - 如何使用 C# 删除所有 HTML 标记并显示纯文本

Question

我想从字符串中删除所有 html 标签。我可以使用 REGX 来实现这一点。

但在字符串内部，如果它在角括号 <100> 内包含数字，则不应将其删除。

         var withHtml = "<p>hello <b>there<1234></b></p>";
        var withoutHtml = Regex.Replace(withHtml, "\\<[^\\>]*\\>", string.Empty); 

结果：你好

但需要输出：你好 1234

Answer 1

您的 HTML 示例不是有效的 HTML，因为它包含非 HTML 标记。我认为您打算对尖括号进行编码。

我认为正则表达式不适合 HTML 解析。我建议使用 HTML 解析器（例如HTML Agility Pack）来执行此操作。

这是一个例子：

var withHtml = "<p>hello <b>there&lt;1234&gt;</b></p>";
var document = new HtmlDocument();
document.LoadHtml(withHtml);

var withoutHtml = HtmlEntity.DeEntitize(document.DocumentNode.InnerText);

只需添加 HtmlAgilityPack NuGet 包和对 System.Xml 的引用即可使其工作。

Answer 2

不确定您是否可以在一个正则表达式中执行此操作，或者不确定正则表达式是否真的是其他人建议的正确方法。一个简单的改进，让你几乎有：

Regex.Replace(withHtml, "\\<[^\\>0-9]*\\>", string.Empty);

给出“hello there<1234>”然后您只需要替换所有尖括号。