如何使用 C# 正则表达式替换/删除所有 HTML 标记，包括尖括号？ 有人可以帮我写代码吗？
【问题讨论】：
Regex regex = new Regex(@"</?\w+((\s+\w+(\s*=\s*(?:"".*?""|'.*?'|[^'"">\s]+))?)+\s*|\s*)/?>", RegexOptions.Singleline);
【讨论】：
如前所述，您不应该使用正则表达式来处理 XML 或 HTML 文档。它们在 HTML 和 XML 文档中表现不佳，因为无法以一般方式表达嵌套结构。
您可以使用以下内容。
String result = Regex.Replace(htmlDocument, @"<[^>]*>", String.Empty);
这适用于大多数情况，但在某些情况下（例如包含尖括号的 CDATA），这将无法按预期工作。
【讨论】：
正确答案是不要那样做，使用HTML Agility Pack。
编辑添加：
为了厚颜无耻地从 jesse 下面的评论中窃取信息，并且为了避免被指责在这么长时间之后没有充分回答问题，这里有一个简单、可靠的 sn-p，它使用了 HTML 敏捷包，即使是最不完美的、反复无常的一些 HTML：
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(Properties.Resources.HtmlContents);
var text = doc.DocumentNode.SelectNodes("//body//text()").Select(node => node.InnerText);
StringBuilder output = new StringBuilder();
foreach (string line in text)
{
output.AppendLine(line);
}
string textOnly = HttpUtility.HtmlDecode(output.ToString());
使用正则表达式解析 HTML 的辩护案例非常少，因为如果没有上下文感知，即使在非传统的正则表达式引擎中也很难提供上下文感知，因此 HTML 无法正确解析。您可以通过 RegEx 部分实现，但您需要进行手动验证。
Html Agility Pack 可以为您提供强大的解决方案，减少手动修复因将 HTML 视为上下文无关语法而导致的异常的需要。
一个正则表达式可能会在大多数情况下为您提供大部分您想要的东西，但在非常常见的情况下它会失败。如果你能找到比 HTML Agility Pack 更好/更快的解析器，那就去吧，但请不要让世界遭受更多破碎的 HTML 黑客攻击。
【讨论】：
这个问题太宽泛，无法明确回答。您是在谈论从真实世界的 HTML 文档（如网页）中删除所有标签吗？如果是这样，您必须：
这只是我的想法——我相信还有更多。一旦你完成了所有这些，你最终会在某些地方出现单词、句子和段落，而在其他地方则出现大量无用的空白。
但是，假设您只使用一个片段并且您可以简单地删除所有标签，这是我将使用的正则表达式：
@"(?></?\w+)(?>(?:[^>'""]+|'[^']*'|""[^""]*"")*)>"
在各自的备选方案中匹配单引号和双引号字符串足以处理属性值中的尖括号问题。我认为没有必要明确匹配标签内的属性名称和其他内容，就像 Ryan 回答中的正则表达式一样；第一个替代方案处理所有这些。
如果您想知道(?>...) 构造，它们是atomic groups。它们使正则表达式更有效率，但更重要的是，它们可以防止失控的回溯，当你像我所做的那样混合交替和嵌套量词时，你应该始终注意这一点。我真的不认为这会是一个问题，但我知道如果我不提及它，其他人会。 ;-)
当然，这个正则表达式并不完美，但它可能与您所需要的一样好。
【讨论】：
使用这个..
@"(?></?\w+)(?>(?:[^>'""]+|'[^']*'|""[^""]*"")*)>"
【讨论】：
我想回应 Jason 的回应，尽管有时您需要天真地解析一些 Html 并提取文本内容。
我需要使用由富文本编辑器创建的一些 Html 来完成此操作，它总是很有趣和游戏。
在这种情况下，您可能需要删除某些标签的内容以及标签本身。
在我的例子中，标签被加入到这个组合中。有些人可能会发现我的（稍微）不太天真的实现是一个有用的起点。
/// <summary>
/// Removes all html tags from string and leaves only plain text
/// Removes content of <xml></xml> and <style></style> tags as aim to get text content not markup /meta data.
/// </summary>
/// <param name="input"></param>
/// <returns></returns>
public static string HtmlStrip(this string input)
{
input = Regex.Replace(input, "<style>(.|\n)*?</style>",string.Empty);
input = Regex.Replace(input, @"<xml>(.|\n)*?</xml>", string.Empty); // remove all <xml></xml> tags and anything inbetween.
return Regex.Replace(input, @"<(.|\n)*?>", string.Empty); // remove any tags but not there content "<p>bob<span> johnson</span></p>" becomes "bob johnson"
}
【讨论】：
<xml>.*(?!</xml>)</xml> 之类的东西，前两个使用RegexOptions.SingleLine 修饰符，最后一个使用<[^>]*>。第一个也可以通过在第一个标签名称中捕获的交替以及在负前瞻和最终标签中对其进行反向引用来组合。
@JasonTrue 是正确的，不应该通过正则表达式来剥离 HTML 标签。
使用 HtmlAgilityPack 去除 HTML 标签非常简单：
public string StripTags(string input) {
var doc = new HtmlDocument();
doc.LoadHtml(input ?? "");
return doc.DocumentNode.InnerText;
}
【讨论】：
在此 URL 尝试正则表达式方法：http://www.dotnetperls.com/remove-html-tags
/// <summary>
/// Remove HTML from string with Regex.
/// </summary>
public static string StripTagsRegex(string source)
{
return Regex.Replace(source, "<.*?>", string.Empty);
}
/// <summary>
/// Compiled regular expression for performance.
/// </summary>
static Regex _htmlRegex = new Regex("<.*?>", RegexOptions.Compiled);
/// <summary>
/// Remove HTML from string with compiled Regex.
/// </summary>
public static string StripTagsRegexCompiled(string source)
{
return _htmlRegex.Replace(source, string.Empty);
}
【讨论】：
【讨论】：
使用此方法去除标签：
public string From_To(string text, string from, string to)
{
if (text == null)
return null;
string pattern = @"" + from + ".*?" + to;
Regex rx = new Regex(pattern, RegexOptions.Compiled | RegexOptions.IgnoreCase);
MatchCollection matches = rx.Matches(text);
return matches.Count <= 0 ? text : matches.Cast<Match>().Where(match => !string.IsNullOrEmpty(match.Value)).Aggregate(text, (current, match) => current.Replace(match.Value, ""));
}
【讨论】：