正则表达式 - 删除标签 [重复]

Posted 2023-03-05

【中文标题】正则表达式 - 删除标签 [重复]

【英文标题】：Regular expressions - remove the tags [duplicate]

【发布时间】：2013-01-07 07:57:26

【问题描述】：

可能重复：Using C# regular expressions to remove html tags

我必须删除标签并将所有其他信息保存在 XML 文件中。使用正则表达式时，我不知何故不知所措。我只能想出逐行读取文件，然后尝试“定位”所有标签并将它们替换为“” - 空字符串。但是，它没有按预期工作：

line = Regex.Replace(line, "<.*>", "");

我能否解释一下为什么这不能按预期工作（我认为它应该只找到 内所有可能的符号组合。另外，你能否推荐一个好的正则表达式介绍。我读了一个很多在regular-expressions.info，但我发现它不完整和令人困惑。

【问题讨论】：

为什么不用xml解析器？

您到底想留下什么？除了< 和> 之外的所有内容？留下属性？留下 CDATA 和 XText？

从 XML 文件中删除 <>？有些东西告诉我你不是最佳方法。

你来了，伙计I need to Pound a nail, do I use a glass bottle or an old shoe?。 . . tl;博士，这不是这样做的方法，使用 Xml 解析器并输出具有合理布局的新文件（如果这是在单独的行上包含所有属性和节点值，则继续使用它）

必填***.com/a/1732454/284111

【参考方案1】：

您应该使 * 量词惰性，以便它匹配下一个 > 而不是最后一个：

line = Regex.Replace(line, "<.*?>", "");

【参考方案2】：

除了尝试使用正则表达式解析 XML 是徒劳的（其他人无疑会发布该链接）之外，您的问题是 * 是 贪婪。它将尽可能匹配文档中的第一个 < 和最后一个 >。

例如，如果你有这个：

<someTag>some stuff

然后就可以正常使用了。

但是，如果你有这个：

<someTag>some stuff</someTag>

然后它将匹配第一个< 和最后一个>，从而删除标签之间的内容。

正如 BlackBear 建议的那样，一种解决方案是将 ? 添加到 * 以使其不贪婪。这样，它将匹配可能的最小匹配而不是最大匹配。

但正如 I4V 所评论的，更好的解决方案是使用 XML 解析器来解析 XML。

【参考方案3】：

当您应该使用 XML 解析器时，为什么要在正则表达式上浪费时间？

using (var reader = XmlReader.Create("file.xml"))

    while (reader.Read())
    
        switch (reader.NodeType)
        
        case XmlNodeType.Text:
        case XmlNodeType.CDATA:
        case XmlNodeType.EntityReference:
        case XmlNodeType.Whitespace:
        case XmlNodeType.SignificantWhitespace:
           Console.Write("0", reader.ReadContentAsString());
           break;
        
    

【讨论】：

既然可以用一个简单的单行代码来完成，为什么还要浪费时间来处理如此复杂的代码呢？ ;)

@BlackBear：因为正则表达式对于这些问题是一种懒惰且通常不正确的“解决方案”。对于跨多行的 XML 元素，所有当前答案都将失败。

是的，同意这一点，只是在开玩笑 ;) 但是使用完整的 XML 解析器可能有点矫枉过正，这取决于你想做什么

他们更可能需要 XSLT，并且上述方法（或使用 Xlinq 的类似方法）除了知道正则表达式不适用于此类问题之外，几乎不需要付出任何努力。