如何从 CDATA 中删除 href 标签

Question

我在 xml 文档中有以下 CDATA：

<![CDATA[ <p xmlns="">Refer to the below: <br/>
</p>
<table xmlns:abc="http://google.com pic.xsd" cellspacing="1" class="c" type="custom" width="100%">
    <tbody>
        <tr xmlns="">            
            <th style="text-align: left">Basic offers...</th>
        </tr>
        <tr xmlns="">
            <td style="text-align: left">Faster network</td>
            <td style="text-align: left">
            <ul>                
                <li>Session</li>
            </ul>
            </td>
        </tr>
        <tr xmlns="">
            <td style="text-align: left">capabilities</td>
            <td style="text-align: left">
            <ul>                
                <li>Navigation,</li>
                <li>message, and</li>
                <li>contacts</li>
            </ul>
            </td>
        </tr>
        <tr xmlns="">
            <td style="text-align: left">Data</td>
            <td style="text-align: left">
            <p>Here visit google for more info <a href="http://www.google.com" target="_blank"><font color="#0033cc">www.google.com</font></a>.</p>
            <p>Remove this href tag <a href="/abc/def/{T}/t/1" target="_blank">Information</a> remove the tag.</p>
            </td>
        </tr>
    </tbody>
</table>
<p xmlns=""><br/>
</p>
  ]]> 

我想了解如何扫描 href="/abc/def 并删除以 abc/def 开头的 href 标签。在​​上面的示例中，删除 href 标签并在标签内留下“信息”文本。CDATA 可以有多个带有“abc/def ...”的href标签。 我在这个应用程序中使用 C#。有人可以帮助我并告诉我如何做到这一点吗？我应该使用正则表达式还是有办法用 xml 本身来做？

这是我正在尝试的正则表达式：

"<a href=\"/abc/def/.*></a>"

我想保留 a href 标记的内部文本，只需删除标记即可。但是上面的正则表达式不起作用。

Answer 1

使用HtmlAgilityPack

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(html);

var nodes = doc.DocumentNode
    .Descendants("a")
    .Where(n => n.Attributes.Any(a => a.Name == "href" && a.Value.StartsWith("/abc/def")))
    .ToArray();

foreach(var node in nodes)
{
    node.ParentNode.RemoveChild(node,true);
}

var newHtml = doc.DocumentNode.InnerHtml;

Answer 2

我会使用HtmlAgilityPack 来完成这项任务。任务本身非常简单：使用 xpath 选择节点，然后删除它们。剩下的就是得到结果 HTML：

它是一个 .NET 代码库，可让您解析“网络外” HTML 文件。解析器对“真实世界”的格式错误非常宽容 HTML。对象模型与 System.Xml 的提议非常相似， 但对于 HTML 文档（或流）。

var doc = new HtmlDocument();
doc.LoadHtml(xml);

var anchors = doc.DocumentNode.SelectNodes("//a[starts-with(@href, '/abc/def')]");
foreach (var anchor in anchors.ToList())
    anchor.Remove();

var result= doc.DocumentNode.OuterHtml;

这会得到你想要的。

编辑：

如果您只想删除 href 属性，请将这一行 anchor.Remove() 更改为这一行 anchor.Attributes["href"].Remove();

Answer 3

如果 HTML 是格式良好的 XML（一目了然），您可以将 cdata 节点的文本加载到新的 XML 文档中，适当修改 XML，然后替换原始 cdata 节点的文本与您修改的文档的 XML 文本。

由于根据定义，原始 XML 文档中没有解析 cdata，这就是为什么您需要第二个。

Answer 4

注意：我不建议在整个 XML 字符串上运行此 Regex - 因为大多数人都认为这是不好的。在正确遍历期间，可以并且应该在文档的各个节点上运行以下正则表达式。 该解决方案已作为整个 xmlString 上的单个正则表达式替换发布，因为这是用户请求的内容，并且他们无法适应针对他们特定情况的正则表达式语句 - 我逐个字符地编写代码以匹配他们打算如何尽可能接近地使用它。

---

要去除所有以/abc/def/ 开头的网址的href 标签，最好使用正则表达式：

result = Regex.Replace(xmlString, @"<a href=\"/abc/def/.*>(.*)</a>", "$1");

---

以下 cmets 的跟进

据MSDN：

在指定的输入字符串内，用指定的替换字符串替换所有匹配指定正则表达式的字符串。

这种替换将发生在所有实例上，而不仅仅是第一个。如果其余的都不起作用，那是因为它们的某些不同之处与正则表达式不匹配。

例如，如果在某些情况下 a 和 href 之间有多余的空格，或者在 href 字段之前指定了目标字段，则需要使用不太具体的替换：

result = Regex.Replace(str, @"<a.*href=\"/OST/OSTdisplay/.*>(.*)</a>", "$1");