从字符串中去除HTML标签

Question

我正在编写一个程序，它应该从字符串中删除HTML标签。我一直在尝试替换所有以"<"开头且以">"结尾的字符串。但是（显然因为我在这里询问），这一直没有成功。以下是我尝试过的方法：

StrippedContent = Regex.Replace(StrippedContent, "\<.*\>", "")

这只返回原始字符串中似乎是随机的一部分。我也尝试过

For Each StringMatch As Match In Regex.Matches(StrippedContent, "\<.*\>")
    StrippedContent = StrippedContent.Replace(StringMatch.Value, "")
Next

有一个方法（返回似乎是原始字符串的随机部分），但是它与之前的方法相同。有没有更好的方法？更好的意思是能够正常工作的方法。

- y--

---

我已经编辑了你的标题。请参考“问题的标题应该包含“标签”吗？”，在那里达成共识是“不应该”。 - John Saunders

Answer 1

描述

此表达式将：

• 查找并替换所有标签为空
• 避免问题边缘情况

正则表达式：<(?:[^>=]|='[^']*'|="[^"]*"|=[^'"][^\s>]*)*>

替换为：nothing

例子

示例文本

请注意在鼠标悬停功能中的复杂边缘情况

these are <a onmouseover=' href="NotYourHref" ; if (6/a>3) { funRotator(href) } ; ' href=abc.aspx?filter=3&prefix=&num=11&suffix=>the droids</a> you are looking for.

代码

Imports System.Text.RegularExpressions
Module Module1
  Sub Main()
    Dim sourcestring as String = "replace with your source string"
    Dim replacementstring as String = ""
    Dim matchpattern as String = "<(?:[^>=]|='[^']*'|=""[^""]*""|=[^'""][^\s>]*)*>"
    Console.Writeline(regex.Replace(sourcestring,matchpattern,replacementstring,RegexOptions.IgnoreCase OR RegexOptions.IgnorePatternWhitespace OR RegexOptions.Multiline OR RegexOptions.Singleline))
  End Sub
End Module

替换后的字符串

these are the droids you are looking for.

- Ro Yo Mi

---

到目前为止，这是我见过的最好的与这个主题相关的正则表达式！+1 - Sebastian

使用这个答案，如何尝试避免 <br> 标签，以便换行符出现？我有一个包含许多换行符的文档，因此当使用上述答案时，文本会返回为一个大段落。 - Nicholas Aysen

@NicholasAysen 我猜你想替换除了<br>标签之外的所有HTML标签？如果是这样，那么你只需要添加一个负向前瞻，如<(?!br)(?:[^>=]|='[^']*'|="[^"]*"|=[^'"][^\s>]*)*> 也可以参考这个链接，干杯。 - Ro Yo Mi

@Denomales 非常感谢。我还发现，在进一步查看我提取的数据时，有一些标签是双<<和>>。所以我只是用单个标签替换了所有这些标签，并且不需要改变其他任何内容。但我肯定会记住这个方法，以备将来使用。谢谢。 - Nicholas Aysen

这里对输入做了一些假设。至少：标签内不应有换行符，属性名和属性值之间的=周围不应有空格（例如，<p id = ">">会失败）。 - Mitar

注意：它会剥离<style>标签，但不会剥离其内容。 - Lazar

Answer 2

这证明了你应该总是在Google上寻找答案。这里有一个方法，我从http://www.dotnetperls.com/remove-html-tags-vbnet得到的。

Imports System.Text.RegularExpressions

Module Module1
    Sub Main()
        Dim html As String = "<p>There was a <b>.NET</b> programmer " +
          "and he stripped the <i>HTML</i> tags.</p>"
        Dim tagless As String = StripTags(html)
        Console.WriteLine(tagless)
    End Sub
    Function StripTags(ByVal html As String) As String
        Return Regex.Replace(html, "<.*?>", "")
    End Function
End Module

- y--

---

如果您的标记包含类似于：some text<a onmouseover="if ( 6 > x ) { funDoSomething ; } ">more text这样的属性，则此解决方案将存在问题。 - Ro Yo Mi

Answer 3

这是一个使用 Ro Yo Mi 发布的正则表达式模式的简单函数。

<Extension()> Public Function RemoveHtmlTags(value As String) As String
    Return Regex.Replace(value, "<(?:[^>=]|='[^']*'|=""[^""]*""|=[^'""][^\s>]*)*>", "")
End Function

演示：

Dim html As String = "This <i>is</i> just a <b>demo</b>.".RemoveHtmlTags()
Console.WriteLine(html)

- mikro