从字符串中删除脚本和链接标签答案

【问题标题】：Remove script and link tags from string从字符串中删除脚本和链接标签
【发布时间】：2019-10-25 17:15:42
【问题描述】：

我正在尝试从字符串中删除 script 和 link 标记。以下是我到现在得到的。

代码

rawHtml = rawHtml.Remove(rawHtml.IndexOf("<script"), (rawHtml.LastIndexOf("</script>") - 
          rawHtml.IndexOf("<script")) + 5);

rawHtml = rawHtml.Remove(rawHtml.IndexOf("<link"), (rawHtml.LastIndexOf("/>") - 
          rawHtml.IndexOf("<link")) + 3);

有没有更好的方法不用手动写数字？

【问题讨论】：

如果你想防止xss攻击，看看这个：stackoverflow.com/questions/31064159/…
@Sycraw ，不，我只想要没有script和link标签的html字符串，实际上我会将这个html导出到excel。
好的...现在我得到的唯一选择是（如果它是格式良好的 HTML）将其转换为 xmldocument 并使用 xpath 删除标签：stackoverflow.com/questions/20611/… 不知道为了性能，但如果 rawhtml 只是一个字符串，那么使用字符串真的很重，因为它们是值类型，也许这个解决方案可以提高性能

标签： c# html string

【解决方案1】：

这将删除脚本、链接和样式标签之间的所有内容，然后从其余部分中删除 html 标签（但保留内容）。

注意：在@yelliver 对我之前的回答进行了改进之后，已将其纳入（已投票）并解决了您关于链接的观点。

/// <summary>
/// Helper method to strip html tags from html
/// </summary>
/// <param name="htmlText">raw html</param>
/// <returns>string without html tags</returns>
public string StripHTML(string hTMLText)
{
    // Remove script and style tags
    Regex rRemScript = new Regex(@"<(script|style)[^>]*>[\s\S]*?</\1>");
    hTMLText = rRemScript.Replace(hTMLText, "");

    // Remove link tags AND CONTENTS
    Regex rRemLink = new Regex(@"<link[\s\S]*?/>");
    hTMLText = rRemLink.Replace(hTMLText, "");

    // Strip other html tags (leaving contents)
    Regex reg = new Regex("<[^>]+>", RegexOptions.IgnoreCase);
    return reg.Replace(hTMLText, "");
}

【讨论】：

谢谢，但这不会删除link 标签，链接标签以<link 开头并以/> 结尾
@stom - 哦！好点子。它必须保留内容。我在一个网站上试过，它确实去掉了链接标签。

【解决方案2】：

使用反向引用，我改进了@HockeyJ 的答案：而不是：

Regex rRemScript = new Regex(@"<script[^>]*>[\s\S]*?</script>");
hTMLText = rRemScript.Replace(hTMLText, "");

// Remove link content
Regex rRemLink = new Regex(@"<link[^>]*>[\s\S]*?</link>");
hTMLText = rRemLink.Replace(hTMLText, "");

// Remove style content
Regex rRemStyle = new Regex(@"<style[^>]*>[\s\S]*?</style>");
hTMLText = rRemStyle.Replace(hTMLText, "");

只需使用：

Regex rRemScript = new Regex(@"<(script|link|style)[^>]*>[\s\S]*?</\1>");
hTMLText = rRemScript.Replace(hTMLText, "");

【讨论】：

谢谢，但这不会删除link 标签，链接标签以<link 开头并以/> 结尾