正则表达式消除里面的文本＆lt;和＆gt;

Question

  

可能重复：
  Using C# regular expressions to remove HTML tags

我正在尝试编写一个只返回HTML文件内容的代码。我认为最好的方法是围绕消除＆lt;中的所有元素。 ..＆GT;括号，或列出＆gt; ...＆lt;之间的所有文本。括号。我对正则表达式很陌生，但我很确定它们是要走的路。

这是我试过的代码

        Regex reg = new Regex(@"<.*>");
        file = reg.Replace(file, ""); 

哪个有效，只要只有一个＆lt; ...＆gt;在一段文字之前。任何顺序包含两个或多个元素的文件，例如＆lt; ...＆gt;＆lt; ...＆gt;，它只是开始删除它找到的任何文本。有人能告诉我我做错了吗？

Answer 1

正则表达式是规则的贪婪（它们匹配他们能找到的最长的字符串）。根据您要查找的语言，尝试检查+？要么 *？运营商，将尝试最短的匹配。否则你必须建立另一个正则表达式。

Answer 2

嗯，你得到的意外行为是因为你的正则表达式是贪婪的

如果您将正则表达式更改为

    Regex reg = new Regex(@"<.*?>");
    file = reg.Replace(file, ""); 

你会得到你所期望的。

另外，知道Regex不处理嵌套，HTML有很多，我会避免使用Regex解析HTML，除非你试图匹配一个特定形式的html上的一个非常具体的东西。