HTML 敏捷包 - 删除不需要的标签而不删除内容？

Posted 2023-03-05

【中文标题】HTML 敏捷包 - 删除不需要的标签而不删除内容？

【英文标题】：HTML agility pack - removing unwanted tags without removing content?

【发布时间】：2012-09-29 00:59:58

【问题描述】：

我在这里看到了一些相关的问题，但它们并没有完全谈论我面临的同一个问题。

我想使用 html Agility Pack 从我的 HTML 中删除不需要的标签，而不会丢失标签中的内容。

例如，在我的场景中，我想保留标签“b”、“i”和“u”。

对于像这样的输入：

<p>my paragraph <div>and my <b>div</b></div> are <i>italic</i> and <b>bold</b></p>

生成的 HTML 应该是：

my paragraph and my <b>div</b> are <i>italic</i> and <b>bold</b>

我尝试使用HtmlNode 的Remove 方法，但它也删除了我的内容。有什么建议吗？

【问题讨论】：

你试过HtmlNode.RemoveChild(HtmlNode oldChild, bool keepGrandChildren)的方法吗？

检查***.com/questions/18153998/…

@bidou 如果必须强制执行安全性，我非常怀疑使用正则表达式是个好主意。

【参考方案1】：

我根据 Oded 的建议编写了一个算法。这里是。像魅力一样工作。

它会删除除strong、em、u 和原始文本节点之外的所有标签。

internal static string RemoveUnwantedTags(string data)

    if(string.IsNullOrEmpty(data)) return string.Empty;

    var document = new HtmlDocument();
    document.LoadHtml(data);

    var acceptableTags = new String[]  "strong", "em", "u";

    var nodes = new Queue<HtmlNode>(document.DocumentNode.SelectNodes("./*|./text()"));
    while(nodes.Count > 0)
    
        var node = nodes.Dequeue();
        var parentNode = node.ParentNode;

        if(!acceptableTags.Contains(node.Name) && node.Name != "#text")
        
            var childNodes = node.SelectNodes("./*|./text()");

            if (childNodes != null)
            
                foreach (var child in childNodes)
                
                    nodes.Enqueue(child);
                    parentNode.InsertBefore(child, node);
                
            

            parentNode.RemoveChild(node);

        
    

    return document.DocumentNode.InnerHtml;

【讨论】：

感谢您的解决方案！但请注意，它不会删除嵌套在可接受标签内的不可接受标签——例如，如果您允许“P”但不允许“SPAN”，则不会删除跨度。我通过递归运行此方法来解决此问题，从“var 节点...”拆分为一个单独的方法，该方法在可接受列表中的任何“节点”var 上调用自身并具有子节点。

伟大的@SeanMahan。随意使用您的解决方案编辑我的帖子 - 我相信它会更好:)

@SeanMahan 请做！我想看看你的解决方案。

不适用于输入：'10 > 7 但 10 7 but 10'

但这也是非常无效的 HTML。

【参考方案2】：

如何以递归方式从 html 字符串中删除给定的不需要的 html 标记列表

我接受了@mathias 的回答并改进了他的扩展方法，以便您可以提供要排除的标签列表作为List<string>（例如"a","p","hr"）。我还修复了逻辑，使其递归地正常工作：

public static string RemoveUnwantedHtmlTags(this string html, List<string> unwantedTags)
    
        if (String.IsNullOrEmpty(html))
        
            return html;
        

        var document = new HtmlDocument();
        document.LoadHtml(html);

        HtmlNodeCollection tryGetNodes = document.DocumentNode.SelectNodes("./*|./text()");

        if (tryGetNodes == null || !tryGetNodes.Any())
        
            return html;
        

        var nodes = new Queue<HtmlNode>(tryGetNodes);

        while (nodes.Count > 0)
        
            var node = nodes.Dequeue();
            var parentNode = node.ParentNode;

            var childNodes = node.SelectNodes("./*|./text()");

            if (childNodes != null)
            
                foreach (var child in childNodes)
                
                    nodes.Enqueue(child);                       
                
            

            if (unwantedTags.Any(tag => tag == node.Name))
                           
                if (childNodes != null)
                
                    foreach (var child in childNodes)
                    
                        parentNode.InsertBefore(child, node);
                    
                

                parentNode.RemoveChild(node);

            
        

        return document.DocumentNode.InnerHtml;
    

【讨论】：

注意：如果我没看错，这个函数会删除不需要的标签列表，@mathias 发布的函数会保留可接受的标签。这是完全不同的。

@StarQuake 这是对原始问题的回答，即删除不需要的标签。我刚刚修改了 Mathias 的代码，使其更加灵活。

原始问题询问如何通过提供 allowedTags 来删除不需要的标签。原始问题的标题具有误导性。给出的示例还说明了一个保留 allowedTags 的函数，而不是删除不允许的标签。

@StarQuake 这个问题没有提到任何关于需要“allowedTags”列表的实现，它只是给出了一个要在一个实例中保留的标签的例子。 Mathias 的回答通过硬编码的白名单方法给出了解决方案。我的回答通过可变黑名单方法提供了一个解决方案，以增加灵活性。既没有对错，也没有对错，只是原始问题的替代解决方案。

【参考方案3】：

如果您不想使用 Html 敏捷包，但仍想删除不需要的 Html 标签，则可以执行以下操作。

public static string RemoveHtmlTags(string strHtml)
    
        string strText = Regex.Replace(strHtml, "<(.|\n)*?>", String.Empty);
        strText = HttpUtility.HtmlDecode(strText);
        strText = Regex.Replace(strText, @"\s+", " ");
        return strText;
    

【讨论】：

请勿使用正则表达式解析或分析 HTML。

【参考方案4】：

尝试以下方法，您可能会发现它比其他建议的解决方案更简洁：

public static int RemoveNodesButKeepChildren(this HtmlNode rootNode, string xPath)

    HtmlNodeCollection nodes = rootNode.SelectNodes(xPath);
    if (nodes == null)
        return 0;
    foreach (HtmlNode node in nodes)
        node.RemoveButKeepChildren();
    return nodes.Count;


public static void RemoveButKeepChildren(this HtmlNode node)

    foreach (HtmlNode child in node.ChildNodes)
        node.ParentNode.InsertBefore(child, node);
    node.Remove();


public static bool TestYourSpecificExample()

    string html = "<p>my paragraph <div>and my <b>div</b></div> are <i>italic</i> and <b>bold</b></p>";
    HtmlDocument document = new HtmlDocument();
    document.LoadHtml(html);
    document.DocumentNode.RemoveNodesButKeepChildren("//div");
    document.DocumentNode.RemoveNodesButKeepChildren("//p");
    return document.DocumentNode.InnerHtml == "my paragraph and my <b>div</b> are <i>italic</i> and <b>bold</b>";

【参考方案5】：

在删除节点之前，获取其父节点及其InnerText，然后删除节点并将InnerText 重新分配给父节点。

var parent = node.ParentNode;
var innerText = parent.InnerText;
node.Remove();
parent.AppendChild(doc.CreateTextNode(innerText));

【讨论】：

InnerText 破坏了层次结构。想象更多深度，例如：<p>my <b>paragraph <div>and my <b><span><i>div</i></span></b></div> are <i>italic</i> and <b>bold</b></b></p>。 InnerText 搞砸了 HTML 并将其转换为文本，但这并不是我在所有情况下都想要的。我仍然想要允许标签的 HTML。

@MathiasLykkegaardLorenzen - 我的意思是您只使用 unwanted 元素。

是的。但是，如果您在这里查看这些数据会怎样。 lalala <span>omg <b>this</b> is bold</span>。首先，您会发现 span 元素。这是不允许的，所以你用它的InnerText 值交换它。但是，这会破坏我仍然需要的内部 b 标签。我希望这能更好地解释它。

@MathiasLykkegaardLorenzen - 当然，您可以简单地执行 same 但使用 node 的 InnerHtml 而不是父节点（也就是说，采取节点的InnerHtml 并在删除节点后替换父InnerHtml）。您也可以使用节点的InnerHtml 递归地执行此操作。

谢谢 - 我会尝试并回复你。