C#如何使用正则表达式删除XML/HTML注释

Question

以下代码片段对我不起作用。

fragment = Regex.Replace(fragment, "<!--.*?-->", String.Empty , RegexOptions.Multiline  );

- MicMit

Answer 1

将其更改为RegExOptions.Singleline，它将正常工作。 当不在Singleline模式下时，点匹配任何字符，除了换行符。

请注意，Singleline和Multiline不是互斥的。它们执行两个独立的操作。引用MSDN的话： 多行模式。更改^和$的含义，使它们分别匹配任何行的开头和结尾，而不仅仅是整个字符串的开头和结尾。 单行模式。更改点（.）的含义，使它匹配每个字符（而不是除\n以外的所有字符）。

其他人已经建议使用HTML Agility Pack。我只是觉得你应该对为什么你的正则表达式无法工作进行解释 :)

- Thorarin

---

是的，它可以工作。起初我没有提供第三个参数，它没有起作用，我以为 RegExOptions.SingleLine 是默认的，但看来 Multiline 是默认的。 - MicMit

单行模式和多行模式并不是相反的，无论它们的名称似乎暗示了什么。这两个选项默认都是关闭的，并且设置其中一个选项不会影响另一个选项。单行模式改变了点元字符的行为，而多行模式则改变了^和$锚点的行为。 - Alan Moore

@Alan M：确实，我的回答在那方面措辞不当。我稍微更新了一下。 - Thorarin

Answer 2

请勿使用正则表达式处理标记语言 - 您需要使用专门针对此类工作构建的更好的工具。请改用Html Agility Pack。我甚至在这篇文章中找到了一个读者（名为Simon Mourier）的评论，其中包含使用Html Agility Pack从文档中删除注释的函数。请参考Html Agiliy Pack。

Simon Mourier said:

This is a sample code to remove comments:

static void Main(string[] args) 
{ 
  HtmlDocument doc = new HtmlDocument(); 
  doc.Load("filewithcomments.htm"); 
  doc.Save(Console.Out); // show before 
  RemoveComments(doc.DocumentNode); 
  doc.Save(Console.Out); // show after 
} 

static void RemoveComments(HtmlNode node)
{
    if (!node.HasChildNodes)
    {
        return;
    }

    for (int i=0; i<node.ChildNodes.Count; i++)
    {
        if (node.ChildNodes[i].NodeType == HtmlNodeType.Comment)
        {
            node.ChildNodes.RemoveAt(i);
            --i;
        }
    }

    foreach (HtmlNode subNode in node.ChildNodes)
    {
        RemoveComments(subNode);
    }
}

- Andrew Hare

---

我在其他帖子中看到了你类似的评论。一些人评论说，他们不明白为什么要使用更好的工具来偶尔进行 Web 抓取，并提取 HTML 页面上开始和结束标记之间的 hrefs。 - MicMit

安德鲁是正确的。除非（a）您事先知道正在使用非常受限且固定的内容集，或者（b）您不介意结果中有很多错误，否则您无法使用正则表达式解析[X][HT]ML。解析注释比解析链接更不容易出错，因为链接的格式变化更大，但仍然不可靠。 - bobince

代码示例不起作用。在枚举集合时，您不能修改节点。 - Andrew Harry

Answer 3

这是通过C#删除注释的谷歌搜索结果，以下是我使用HtmlAgilityPack编写的代码。

注：HtmlAgilityPack是一个开源库，用于解析HTML文档。

        HtmlDocument doc = new HtmlDocument
                           {
                               OptionFixNestedTags = true,
                               OptionOutputAsXml = true
                           };
        doc.LoadHtml(str);

        // Script comments from the document. 
        if (doc.DocumentNode != null)
        {
            HtmlNodeCollection nodes = doc.DocumentNode.SelectNodes("//comment()");
            if (nodes != null)
            {
                foreach (HtmlNode node in from cmt in nodes
                                          where (cmt != null
                                                 && cmt.InnerText != null
                                                 && !cmt.InnerText.ToUpper().StartsWith("DOCTYPE"))
                                                 && cmt.ParentNode != null
                                          select cmt)
                {
                    node.ParentNode.RemoveChild(node);
                }
            }
        }

这段代码能够正确地去除注释，并忽略HtmlAgilityPack中被视为注释的doctype。

虽然正则表达式在受控条件下可以工作，但如果你要处理来自互联网的HTML，我建议使用HtmlAgilityPack。那里的HTML非常不可预测，而且正则表达式会出错。

- Reactgular

Answer 4

这个对我有效：

<!--(\n|.)*-->

但我认为您可以使用普通的XML文档来处理XML，或者使用HtmlAgilityPack来处理HTML。强烈不建议使用正则表达式解析标记。

- Dmytrii Nagirniak

---

你应该在乘数上放置一个非贪婪量词，即 <!--(\n|.)*?-->。此外，这个问题可以通过简单地添加 SingleLine 标志来解决，它修改了 . 以接受换行符。 - Matthew Scharley

@Matthew。是的。我同意。理论上你是正确的。但我尝试了SingleLine标志，它并没有改变结果。而且非贪婪和贪婪都可以工作。使用radsoftware.com.au/?from=RegexDesigner进行测试。 - Dmytrii Nagirniak

你永远不应该使用 (\n|.)*，因为它不精确，极其低效，需要大量回溯，并且是多余的，因为仅带有 (?s) 或 RegexOptions.Singleline 的 . 可以更有效地完成工作。由于使用这种不幸的模式已经报告了很多问题，请考虑删除帖子或更改解决方案。 - Wiktor Stribiżew