web-dev-qa-db-ja.com

C＃で＆nbspを含む文字列からHTMLタグを削除する

C＃で正規表現を使用して＆nbspを含むすべてのHTMLタグを削除するにはどうすればよいですか。私の文字列は次のようになります

  "<div>hello</div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp;</div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div>"
c#htmlregexstring
82
rampuriyaaa

HTMLパーサー指向のソリューションを使用してタグを除外できない場合は、簡単な正規表現を使用します。

string noHTML = Regex.Replace(inputHTML, @"<[^>]+>|&nbsp;", "").Trim();

理想的には、複数のスペースを処理する正規表現フィルターに別のパスを作成する必要があります

string noHTMLNormalised = Regex.Replace(noHTML, @"\s{2,}", " ");
187
Ravi Thapliyal

@Ravi Thapliyalのコードを使用してメソッドを作成しました。これは単純で、すべてをきれいにするわけではありませんが、今のところ必要なことをしています。

public static string ScrubHtml(string value) {
    var step1 = Regex.Replace(value, @"<[^>]+>|&nbsp;", "").Trim();
    var step2 = Regex.Replace(step1, @"\s{2,}", " ");
    return step2;
}
30
Don Rolling

私はこの機能をしばらく使用しています。乱雑なhtmlを削除して、テキストをそのまま残します。

        private static readonly Regex _tags_ = new Regex(@"<[^>]+?>", RegexOptions.Multiline | RegexOptions.Compiled);

        //add characters that are should not be removed to this regex
        private static readonly Regex _notOkCharacter_ = new Regex(@"[^\w;&#@.:/\\?=|%!() -]", RegexOptions.Compiled);

        public static String UnHtml(String html)
        {
            html = HttpUtility.UrlDecode(html);
            html = HttpUtility.HtmlDecode(html);

            html = RemoveTag(html, "<!--", "-->");
            html = RemoveTag(html, "<script", "</script>");
            html = RemoveTag(html, "<style", "</style>");

            //replace matches of these regexes with space
            html = _tags_.Replace(html, " ");
            html = _notOkCharacter_.Replace(html, " ");
            html = SingleSpacedTrim(html);

            return html;
        }

        private static String RemoveTag(String html, String startTag, String endTag)
        {
            Boolean bAgain;
            do
            {
                bAgain = false;
                Int32 startTagPos = html.IndexOf(startTag, 0, StringComparison.CurrentCultureIgnoreCase);
                if (startTagPos < 0)
                    continue;
                Int32 endTagPos = html.IndexOf(endTag, startTagPos + 1, StringComparison.CurrentCultureIgnoreCase);
                if (endTagPos <= startTagPos)
                    continue;
                html = html.Remove(startTagPos, endTagPos - startTagPos + endTag.Length);
                bAgain = true;
            } while (bAgain);
            return html;
        }

        private static String SingleSpacedTrim(String inString)
        {
            StringBuilder sb = new StringBuilder();
            Boolean inBlanks = false;
            foreach (Char c in inString)
            {
                switch (c)
                {
                    case '\r':
                    case '\n':
                    case '\t':
                    case ' ':
                        if (!inBlanks)
                        {
                            inBlanks = true;
                            sb.Append(' ');
                        }   
                        continue;
                    default:
                        inBlanks = false;
                        sb.Append(c);
                        break;
                }
            }
            return sb.ToString().Trim();
        }
16
David S.
var noHtml = Regex.Replace(inputHTML, @"<[^>]*(>|$)|&nbsp;|&zwnj;|&raquo;|&laquo;", string.Empty).Trim();
4
MRP

@RaviThapliyalと@Don Rollingのコードを使用しましたが、少し変更を加えました。 ＆nbspを空の文字列に置き換えていますが、代わりに＆nbspをスペースに置き換える必要があるため、追加の手順を追加しました。それは魅力のように私のために働いた。

public static string FormatString(string value) {
    var step1 = Regex.Replace(value, @"<[^>]+>", "").Trim();
    var step2 = Regex.Replace(step1, @"&nbsp;", " ");
    var step3 = Regex.Replace(step2, @"\s{2,}", " ");
    return step3;
}

スタックオーバーフローによってフォーマットされていたため、セミコロンなしで＆nbpsを使用しました。

1
Sabique A Khan

HTMLは基本的な形でXMLにすぎません。 XmlDocumentオブジェクト内のテキストを解析し、ルート要素でInnerTextを呼び出してテキストを抽出できます。これにより、あらゆる形式のすべてのHTMLタグが削除され、＆lt;などの特殊文字も処理されます。 ＆nbsp;一度にすべて。

0
nivs1978

この：

(<.+?> | &nbsp;)

任意のタグまたは&nbsp;に一致します

string regex = @"(<.+?>|&nbsp;)";
var x = Regex.Replace(originalString, regex, "").Trim();

次にx = hello

0
Jonesopolis

Htmlドキュメントのサニタイズには、多くの注意が必要です。このパッケージは助けになるかもしれません： https://github.com/mganss/HtmlSanitizer

0
Ehsan88