Question

是否可以在C＃中检查HTML字符串是否实际包含某些文本或仅由HTML标记和实体组成？

例如

string str = @"<p xmlns=""http://www.w3.org/1999/xhtml"" />"

这只包含HTML标记而没有文字。

Answer 1

XDocument doc = XDocument.Parse(yourString);
bool containsText = doc.Root.DescendantNodes()
          .Count(el => el.GetType() == typeof (XText)) > 0

提示

我经常将此方法与SGMLReader结合使用，以确保XDocument.Parse（...）的有效xml

Answer 2

如果您只想解析valid XHTML，可以使用默认.NET库中的类。 XmlReader或XDocument。

您需要解析整个HTML字符串。对于每个元素，只需检查它是否包含任何文本。

但是，正如其他人所提到的，这只适用于有效的XML，而HTML通常不适用。在这种情况下，您可能更好地使用其他答案中提到的库。

Answer 3

如果使用HTML Agility Pack解析输入，则可以检查document.DocumentNode.InnerText属性以查看整个片段中是否有任何文本。

Answer 4

这是使用带有HTML的正则表达式的一种情况。它通常不是HTML，因为HTML不是常规语言。但是，我们关注的功能可以用常规语言表达 - 我们不关心标签的可能无限嵌套，这使得HTML不是常规语言。

或者换句话说，您无法使用正则表达式解析HTML的规则仍然适用，但您实际上并未在此处进行解析。（顺便提一下，递归正则表达式也允许在理论上解析HTML，至少）。

编写它时的棘手问题是，属性值中允许>。如果不是这样，那么简单的表达式^(<[^>]*>)$将是匹配仅标记字符串所需的全部内容（如果需要，也可以调整为允许空格）。

虽然在属性中处理>的繁琐，但却让我赞成：

public static bool IsTagsOnly(string html)
{
  bool inTag = false;
  char attChar = '\0';
  foreach(char c in html)
  {
    if(char.IsWhiteSpace(c))//include or excise this bit depending on whether you count whitespace as "content"
    {
      continue;
    }
    if(!inTag)
    {
      if(c == '<')
        inTag = true;
      else
        return false;
    }
    switch(c)
    {
      case '\'':
        switch(attChar)
        {
          case '\'':
            attChar = '\0';
            break;
          case '\0':
            attChar = '\'';
            break;
        }
        break;
      case '"':
        switch(attChar)
        {
          case '"':
            attChar = '\0';
            break;
          case '\0':
            attChar = '"';
            break;
        }
        break;
      case '>':
        if(attChar == '\0')
          inTag = false;
        break;
    }
  }
  return true;
}

Answer 5

每当你处理HTML时，它都非常棘手。

你可以通过正则表达式实现这一点，但请注意具有常规表达的PARSING HTML是一个糟糕的想法!!! 。这只是因为HTML格式不正确。

如果你想做得好，我建议使用HTML解析器，如 Argotic 或 HtmlAgilityPack （它们都可以在NuGet中使用）。

希望有所帮助

检测仅包含HTML而不包含文本的字符串

5 个答案: