删除 HTML 标签的正则表达式

Question

我正在使用以下正则表达式从字符串中删除 html 标记。它可以工作，除非我留下结束标签。如果我尝试删除：<a href="blah">blah</a>，它会留下<a/>。

我根本不知道正则表达式的语法，并且摸不着头脑。有RegEx知识的人可以给我一个可行的模式吗？

这是我的代码：

  string sPattern = @"<\/?!?(img|a)[^>]*>";
  Regex rgx = new Regex(sPattern);
  Match m = rgx.Match(sSummary);
  string sResult = "";
  if (m.Success)
   sResult = rgx.Replace(sSummary, "", 1);

我希望删除第一次出现的 <a> 和 <img> 标签。

Answer 1

使用正则表达式解析 HTML 充满了陷阱。 HTML 不是常规语言，因此不能用正则表达式 100% 正确解析。这只是您将遇到的许多问题之一。最好的方法是使用 HTML / XML 解析器为您执行此操作。

这是我不久前写的一篇博客文章的链接，其中详细介绍了这个问题。

• http://blogs.msdn.com/b/jaredpar/archive/2008/10/15/regular-expression-limitations.aspx

话虽如此，这里有一个可以解决这个特定问题的解决方案。不过，这绝不是一个完美的解决方案。

var pattern = @"<(img|a)[^>]*>(?<content>[^<]*)<";
var regex = new Regex(pattern);
var m = regex.Match(sSummary);
if ( m.Success ) { 
  sResult = m.Groups["content"].Value;

Answer 2

转这个：

'<td>mamma</td><td><strong>papa</strong></td>'

进入这个：

'mamma papa'

你需要用空格替换标签：

.replace(/<[^>]*>/g, ' ')

并将所有重复的空格减少为单个空格：

.replace(/\s{2,}/g, ' ')

然后使用以下命令去除前导和尾随空格：

.trim();

意思是你的删除标签函数看起来像这样：

function removeTags(string){
  return string.replace(/<[^>]*>/g, ' ')
               .replace(/\s{2,}/g, ' ')
               .trim();
}

Answer 3

为了同时删除标签之间的空格，您可以使用以下方法在输入 html 的开头和结尾处使用正则表达式和修剪空格的组合：

    public static string StripHtml(string inputHTML)
    {
        const string HTML_MARKUP_REGEX_PATTERN = @"<[^>]+>\s+(?=<)|<[^>]+>";
        inputHTML = WebUtility.HtmlDecode(inputHTML).Trim();

        string noHTML = Regex.Replace(inputHTML, HTML_MARKUP_REGEX_PATTERN, string.Empty);

        return noHTML;
    }

所以对于以下输入：

      <p>     <strong>  <em><span style="text-decoration:underline;background-color:#cc6600;"></span><span style="text-decoration:underline;background-color:#cc6600;color:#663333;"><del>   test text  </del></span></em></strong></p><p><strong><span style="background-color:#999900;"> test 1 </span></strong></p><p><strong><em><span style="background-color:#333366;"> test 2 </span></em></strong></p><p><strong><em><span style="text-decoration:underline;background-color:#006600;"> test 3 </span></em></strong></p>      

输出将仅是 html 标记之间没有空格的文本，或者 html 之前或之后的空格： “   测试文本   测试 1         测试 2      测试 3”。

请注意test text 之前的空格来自<del> test text </del> html，test 3 之后的空格来自<em><span style="text-decoration:underline;background-color:#006600;"> test 3 </span></em></strong></p> html。

Answer 4

剥离 HTML 元素（带/不带属性）

/<\/?[\w\s]*>|<.+[\W]>/g

这将剥离所有 HTML 元素并留下文本。这甚至适用于格式错误的 HTML 元素（即缺少结束标签的元素）

Reference and example（例 10）

Answer 5

所以大家说的HTML解析器是Html Agility Pack。

如果是干净的XHTML，也可以使用System.Xml.Linq.XDocument或System.Xml.XmlDocument。

Answer 6

可以使用：

Regex.Replace(source, "<[^>]*>", string.Empty);

Answer 7

如果您只需要查找开始标签，您可以使用以下正则表达式，它将标签类型捕获为 $1（a 或 img），并将内容（包括结束标签，如果有的话）捕获为 $2：

(?:<(a|img)(?:\s[^>]*)?>)((?:(?!<\1)[\s\S])*)

如果您还有结束标签，您应该使用以下正则表达式，它将标签类型捕获为 $1（a 或 img），内容为 $2：

(?:<(a|img)(?:\s[^>]*)?>)\s*((?:(?!<\1)[\s\S])*)\s*(?:<\/\1>)

基本上，您只需要在上述正则表达式之一上使用替换功能，然后返回 $2 即可获得您想要的。

关于查询的简短说明：

• ( ) - 用于捕获与括号内的正则表达式匹配的任何内容。捕获的顺序为：$1、$2 等。
• ?: - 在左括号“（”之后使用，用于不捕获括号内的内容。
• \1 - 正在复制捕获号 1，这是标记类型。我必须捕获标签类型，以便结束标签与开始标签一致，而不是像：<img src=""> </a>。
• \s - 是空格，因此在打开标签<img 后至少会有1 个空格以防有属性（例如，它不会匹配<imgs>）。
• [^>]* - 正在寻找除内部字符之外的任何内容，在本例中为 >，* 表示无限次。
• ?! - 正在寻找除内部字符串之外的任何内容，有点类似于 [^>] 只是用于字符串而不是单个字符。
• [\s\S] - 几乎与. 一样使用，但允许任何空格（如果标签之间有新行，空格也会匹配）。如果您使用的是正则表达式“s”标志，那么您可以改用.。

使用结束标签的示例： https://regex101.com/r/MGmzrh/1

不使用结束标签的例子： https://regex101.com/r/MGmzrh/2

Regex101 对我所做的也有一些解释:)

Answer 8

您可以使用现有的库来去除 html 标签。一个很好的是Chilkat C# Library。

Answer 9

如果你只是想删除标签（而不知道结束标签在哪里），我真的不知道为什么人们对此如此担忧。

这个正则表达式似乎可以处理任何我可以扔给它的东西：

<([\w\-/]+)( +[\w\-]+(=(('[^']*')|("[^"]*")))?)* *>

分解：

• <([\w\-/]+) - 匹配开始或结束标签的开头。如果你想处理无效的东西，你可以在这里添加更多
• ( +[\w\-]+(=(('[^']*')|("[^"]*")))?)* - 该位匹配属性 [0, N] 次（* 结束）
  • +[\w\-]+ - 是空格，后跟属性名称
  • (=(('[^']*')|("[^"]*")))? - 并非所有属性都有赋值 (?)
    • ('[^']*')|("[^"]*") - 在具有赋值的属性中，值是带有单引号或双引号的字符串。不允许跳过结束语以使事情正常进行
• *> - 整个内容以任意数量的空格结尾，然后是右括号

显然，如果有人向它抛出超级无效的 html，这会搞砸，但它适用于我想出的任何有效的东西。在这里测试一下：

const regex = /<([\w\-/]+)( +[\w\-]+(=(('[^']*')|("[^"]*")))?)* *>/g;

const byId = (id) => document.getElementById(id);

function replace() {
console.log(byId("In").value)
  byId("Out").innerText = byId("In").value.replace(regex, "CUT");
}

Write your html here: <br>
<textarea id="In" rows="8" cols="50"></textarea><br>
<button onclick="replace()">Replace all tags with "CUT"</button><br>
<br>
Output:
<div id="Out"></div>

Answer 10

从字符串中删除图片，在c#中使用正则表达式（通过图片id进行图片搜索）

string PRQ=<td valign=\"top\" style=\"width: 400px;\" align=\"left\"><img id=\"llgo\" src=\"http://test.Logo.png\" alt=\"logo\"></td>

var regex = new Regex("(<img(.+?)id=\"llgo\"(.+?))src=\"([^\"]+)\"");

PRQ = regex.Replace(PRQ, match => match.Groups[1].Value + "");

Answer 11

为什么不尝试不情愿的量词？ htmlString.replaceAll("<\\S*?>", "")

（虽然是Java，但主要是展示想法）

Answer 12

简单的方法，

String html = "<a>Rakes</a> <p>paroladasdsadsa</p> My Name Rakes";

html = html.replaceAll("(<[\\w]+>)(.+?)(</[\\w]+>)", "$2");

System.out.println(html);

Answer 13

这是我已经使用了一段时间的扩展方法。

public static class StringExtensions
{
     public static string StripHTML(this string htmlString, string htmlPlaceHolder) {
         const string pattern = @"<.*?>";
         string sOut = Regex.Replace(htmlString, pattern, htmlPlaceHolder, RegexOptions.Singleline);
         sOut = sOut.Replace("&nbsp;", String.Empty);
         sOut = sOut.Replace("&amp;", "&");
         sOut = sOut.Replace("&gt;", ">");
         sOut = sOut.Replace("&lt;", "<");
         return sOut;
     }
}

Answer 14

这段代码可以帮助您轻松删除任何 html 标签：

import re
string = str(<a href="blah">blah</a>)
replaced_string = re.sub('<a.*href="blah">.*<\/a>','',string) // remember, sub takes 3 arguments.

输出是一个空字符串。

Answer 15

这是我使用简单的正则表达式创建的一个扩展方法，用于从字符串中删除 HTML 标记：

/// <summary>
/// Converts an Html string to plain text, and replaces all br tags with line breaks.
/// </summary>
/// <returns></returns>
/// <remarks></remarks>
[Extension()]
public string ToPlainText(string s)
{

    s = s.Replace("<br>", Constants.vbCrLf);
    s = s.Replace("<br />", Constants.vbCrLf);
    s = s.Replace("<br/>", Constants.vbCrLf);


    s = Regex.Replace(s, "<[^>]*>", string.Empty);


    return s;
}

希望对您有所帮助。

Answer 16

选择除其中的内容以外的所有内容：

(?:<span.*?>|<\/span>|<p.*?>|<\/p>)