在C#中如何从字符串中删除HTML标签和注释？

Question

在C#中如何从字符串中删除以'<'开头以'>'结尾的内容？我知道可以使用正则表达式来实现，但我不太擅长。

- Kristina Brooks

---

使用像HTML Agility Pack这样的HTML解析器。正则表达式通常不是处理HTML的好选择。 - Mikael Svenson

在这种情况下，您可以使用正则表达式，因为它是一个简单的用例。这与解析整个DOM以获取不同标记不同。 - AuthorProxy

Answer 1

我为最近的一个小项目快速编写的标签模式是这样的。

string tagPattern = @"<[!--\W*?]*?[/]*?\w+.*?>";

I used it like this

MatchCollection matches = Regex.Matches(input, tagPattern);
foreach (Match match in matches)
{
    input = input.Replace(match.Value, string.Empty);
}

它可能需要进行修改，以正确处理脚本或样式标签。

- Anthony Pegram

---

[!--\W*?] 的含义是“匹配在!和-之间的字符、一个非单词字符、一个*或一个?”。由于该组是可选的，因此它不会对负预测的明显预期目的产生任何影响（应该是(?!--)），\W*?和随后的*?根本没有任何意义。 - Tim Pietzcker

Answer 2

非正则表达式选项：但它仍然无法解析嵌套标签！

public static string StripHTML(string line)
        {
            int finished = 0;
            int beginStrip;
            int endStrip;

            finished = line.IndexOf('<');
            while (finished != -1)
            {
                beginStrip = line.IndexOf('<');
                endStrip = line.IndexOf('>', beginStrip + 1);
                line = line.Remove(beginStrip, (endStrip + 1) - beginStrip);
                finished = line.IndexOf('<');
            } 

            return line;
        }

- Scott Weaver

Answer 3

另一个比正则表达式快8倍的非正则代码：

public static string StripTagsCharArray(string source)
{
    char[] array = new char[source.Length];
    int arrayIndex = 0;
    bool inside = false;
    for (int i = 0; i < source.Length; i++)
    {
        char let = source[i];
        if (let == '<')
        {
            inside = true;
            continue;
        }
        if (let == '>')
        {
            inside = false;
            continue;
        }
        if (!inside)
        {
            array[arrayIndex] = let;
            arrayIndex++;
        }
    }
    return new string(array, 0, arrayIndex);
}

- AuthorProxy