Question

我正在使用以下Regular Expresion从字符串中删除html标记。它的工作原理除了我留下结束标签。如果我尝试删除<a href="blah">blah</a>，则会离开<a/>。

我根本不知道正则表达式语法，并且通过这种方式摸索。拥有RegEx知识的人可以为我提供一个可行的模式。

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<a>和<img>代码的第一次出现。

Answer 1

使用正则表达式解析HTML充满了陷阱。 HTML不是常规语言，因此无法使用正则表达式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。

以下是我写回一篇博文的链接，其中详细介绍了此问题。

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

话虽如此，这是一个解决这个特殊问题的解决方案。它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

转过来：

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

进入这个：

'mamma papa'

您需要用空格替换标记：

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

并将任何重复的空格减少为单个空格：

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

然后用：

修剪前导和尾随空格

.trim();

意味着您的删除标记功能如下所示：

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

Answer 3

为了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空格的修剪组合：

    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>

输出将只是html标签之间没有空格的文本或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，而test 3之后的空格来自 test 3  html。

Answer 4

所以每个人都在谈论的HTML解析器是Html Agility Pack。

如果它是干净的XHTML，您还可以使用System.Xml.Linq.XDocument或System.Xml.XmlDocument。

Answer 5

如果你只是想删除标签（而不是弄清楚结束标签在哪里），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\-/]+) - 匹配开始或结束标记的开头。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（* 然后结束）
- +[\w\-]+ - 是空格后跟属性名称
- (=(('[^']*')|("[^"]*")))? - 并非所有属性都有赋值 (?)
  - ('[^']*')|("[^"]*") - 在有赋值的属性中，值是带有单引号或双引号的字符串。不允许跳过结束语来使事情顺利进行
*> - 整个内容以任意数量的空格结尾，然后是右括号

显然，如果有人向其抛出超级无效的 html，这会搞砸，但它适用于我想出的任何有效内容。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 6

您可以使用现有的库来剥离html标记。一个好的是Chilkat C# Library。

Answer 7

可以使用：

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

Answer 8

如果只需要查找开始标记，则可以使用以下正则表达式，它将把标记类型捕获为$ 1（a或img），并将内容（包括结束标记（如果有的话））捕获为$ 2：

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

如果还需要关闭标签，则应使用以下正则表达式，它将把标签类型捕获为$ 1（a或img），并将内容捕获为$ 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replace函数，并返回$ 2即可获得所需的内容。

有关查询的简短说明：

( )-用于捕获括号内与正则表达式匹配的任何内容。捕获顺序为：$ 1，$ 2等。
?:-在括号“（”之后使用，用于不捕获括号内的内容。
\1-正在复制捕获编号1，它是标签类型。我必须捕获标签类型，因此结束标签将与开始标签一致，而不是<img src=""> </a>。
\s-是空格，因此在打开标签<img后，如果有属性，至少要有1个空格（例如，它与<imgs>不匹配）。
[^>]*-正在查找除内部字符（本例中为>，而*表示无限次）内的字符。
?!-正在查找除字符串以外的任何内容，有点类似于[^>]，只是用于字符串而不是单个字符。
[\ s \ S]-几乎像.一样使用，但允许任何空格（如果标签之间有新行，则也将匹配）。如果您使用的是正则表达式“ s”标志，则可以改用.。

与结束标记一起使用的示例： https://regex101.com/r/MGmzrh/1

使用不带结束标记的示例： https://regex101.com/r/MGmzrh/2

Regex101也对我的工作做了一些解释：）

Answer 9

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 10

这是我用了很长时间的扩展方法。

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

Answer 11

使用c＃中的正则表达式（图像ID执行的图像搜索）

从字符串中删除图像

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 12

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

（这是Java，但主要的是展示这个想法）

Answer 13

剥离HTML元素（带有/不带有属性）

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

这将删除所有HTML元素，并保留文本。即使对于格式错误的HTML元素（即缺少结束标记的元素），此方法也能很好地发挥作用。

Reference and example （示例10）

Answer 14

这是我使用简单的正则表达式创建的扩展方法，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;
}

希望有所帮助。

正则表达式删除HTML标记

14 个答案:

剥离HTML元素（带有/不带有属性）