如何在 .NET 中从文本中去除 HTML？

Posted 2023-03-05

【中文标题】如何在 .NET 中从文本中去除 HTML？

【英文标题】：How Can I strip HTML from Text in .NET?

【发布时间】：2010-11-23 20:33:45

【问题描述】：

我有一个带有 TinyMCE 框的 asp.net 网页。用户可以格式化文本并将 html 发送到数据库中。

在服务器上，我想从文本中删除 html，这样我就可以只将文本存储在全文索引列中进行搜索。

使用 jQuery 的 text() 函数在客户端剥离 html 是一件轻而易举的事，但我真的更愿意在服务器上这样做。是否有任何现有的实用程序可供我使用？

编辑

看我的回答。

编辑 2

alt text http://tinyurl.com/sillychimp

【问题讨论】：

如果您只是要去除所有格式，为什么还要使用 TinyMCE？！

我正在存储 TinyMCE 生成的 html，以便将格式化的文本呈现给用户。我将把 html 剥离的文本存储在不同的列中以进行全文搜索。我认为全文索引/搜索包含大量 HTML 的列不是一个好主意。我没有在原始问题中包含这些细节，因为它与我的问题无关。

+1 因为这只猴子让我笑了

【参考方案1】：

我下载了HtmlAgilityPack并创建了这个函数：

string StripHtml(string html)

    // create whitespace between html elements, so that words do not run together
    html = html.Replace(">","> ");

    // parse html
    var doc = new HtmlAgilityPack.HtmlDocument();   
    doc.LoadHtml(html);

    // strip html decoded text from html
    string text = HttpUtility.HtmlDecode(doc.DocumentNode.InnerText);   

    // replace all whitespace with a single space and remove leading and trailing whitespace
    return Regex.Replace(text, @"\s+", " ").Trim();

【讨论】：

看看richardtallent对你的回答的评论。

我看到了。我想我会坚持我写的 5 行代码。

【参考方案2】：

看看这个Strip HTML tags from a string using regular expressions

【讨论】：

一个更好的主意是使用 html 解析器。

为什么用一个简单的正则表达式来完成这项工作？

@mkoryak：你能解释一下为什么会更好吗？

这会去除标签，但会留下 HTML 编码的实体，所以这并不是一个完整的答案。

补充一下richardtallent所说的：格式错误的HTML可以破坏正则表达式并导致它剥离不应该的东西。完整的 HTML 解析器旨在适应格式错误的 HTML，因此您不会丢失数据或获得“额外”数据。

【参考方案3】：

这是 Jeff Atwood 的 Sanitize HTML method 的 RefactorMe 代码链接

【讨论】：

他是这样平衡标签的，这样你就不会因为某人的用户内容而关闭你页面上没有打开的 div：refactormycode.com/codes/360-balance-html-tags

【参考方案4】：

TextReader tr = new StreamReader(@"Filepath");
string str = tr.ReadToEnd();     
str= Regex.Replace(str,"<(.|\n)*?>", string.Empty);

但您需要引用一个命名空间，即：

system.text.RegularExpressions

仅为您的网站采用此逻辑

【讨论】：

RegEX 不是解析 RegEx 的理想选择。请参阅 RioTera 答案的 cmets，但如果您的 HTML 格式不正确，RegEx 将删除错误的数据。

@psubsee2003 riotera 只是链接到一个推荐完全相同的正则表达式的答案；有一天这个链接会死掉，我们会很幸运这个答案中有正则表达式。这是更好的答案。

@ChrisMoschini 我从来没有说过答案更好。我说看那个答案下的cmets。

【参考方案5】：

如果您只是存储用于索引的文本，那么您可能想要做的不仅仅是删除 HTML，例如忽略停用词和删除短于（例如）3 个字符的词。然而，我曾经写过的一个简单的标签和剥离器是这样的：

    public static string StripTags(string value)
    
        if (value == null)
            return string.Empty;

        string pattern = @"&.1,8;";
        value = Regex.Replace(value, pattern, " ");
        pattern = @"<(.|\n)*?>";
        return Regex.Replace(value, pattern, string.Empty);
    

它很旧，我确信它可以优化（也许使用编译的 reg-ex？）。但它确实有效并且可能会有所帮助......

【参考方案6】：

你可以：

使用普通的旧 TEXTAREA（样式为高度/宽度/字体/等）而不是 TinyMCE。 使用 TinyMCE 的内置配置选项去除不需要的 HTML。 在服务器上使用 HtmlDecode(RegEx.Replace(mystring, "]+>", ""))。

【参考方案7】：

您可能在系统中使用了格式错误的 HTML：BeautifulSoup 或类似的可以使用。

它是用 Python 编写的；我不确定它是如何接口的 - 使用 .NET 语言 IronPython？

【参考方案8】：

您可以使用 HTQL COM，并通过查询来查询源： &tx;

【参考方案9】：

你可以使用这样的东西

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