从字符串中删除所有HTML标签？

Question

我看过可以删除标签的正则表达式，这很好，但我还有像这样的东西。

 

等等。

这实际上不是来自HTML文件。它实际上来自一个字符串。我正在从SharePoint Web服务获取数据，这会给我像用户可能使用/生成的HTML。

<div>Hello! Please remember to clean the break room!!! &quot;bob&quote; <BR> </div>

所以，我正在解析100-900行，每行有8-20列。

- Jai

---

必传链接：https://dev59.com/X3I-5IYBdhLWcg3wq6do#1732454 - thecoop

Answer 1

请看HTML Agility Pack，它是一个HTML解析器，您可以使用它从文档中提取节点的InnerText。

正如在SO上多次指出 一样 许多次，您不能将HTML解析信任给正则表达式。有时可能会被认为是适当的（仅对于极其有限的任务），但总体而言，HTML过于复杂且容易出现不规则性。尝试使用正则表达式解析HTML会出现问题。

使用解析器（如HAP）可以使您具有更大的灵活性。以下是使用它完成此任务的（粗略）示例：

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.Load("path to your HTML document");

StringBuilder content = new StringBuilder();
foreach (var node in doc.DocumentNode.DescendantNodesAndSelf())
{
    if (!node.HasChildNodes)
    {
        sb.AppendLine(node.InnerText);
    }
}

如果您只对特定节点或一组节点感兴趣，您还可以在文档中执行XPATH查询：

var nodes = doc.DocumentNode.SelectNodes("your XPATH query here");

希望这有所帮助。

- Donut

---

你能提供一个实际的代码示例来演示如何使用HAP执行任务吗？ - dtb