C# 去掉所有HTML标记和格式（正则表达式）

我有我想要动态修改的RSS提要，我所需要的只是文本（和换行符），所以必须删除所有其他内容（所有图像、样式、链接）

如何使用ASP.NET c#

string pattern=@“；
返回Regex.Replace（htmlString，pattern，string.Empty）；

小心-您不想假设收到的html格式正确：

public static string ClearHTMLTagsFromString(string htmlString)
{
    string regEx = @"\<[^\<\>]*\>";
    string tagless = Regex.Replace(htmlString, regEx, string.Empty);

    // remove rogue leftovers
    tagless = tagless.Replace("<", string.Empty).Replace(">", string.Empty);

    return tagless;
}

公共静态字符串ClearHTMLTagsFromString（字符串htmlString）
{
字符串正则表达式=@“\”；
string tagless=Regex.Replace（htmlString，Regex，string.Empty）；
//清除残羹剩饭
tagless=tagless.Replace（“，string.Empty”）；
返回无标记；
}

我用JavaScript为一个项目做了这件事，方法与上面的方法大致相同：

var thisText = '';
thisText = document.getElementById('textToStrip').value;
var re = new RegExp('<(.|\\n)*?>', 'igm');
thisText = thisText.replace(re, '');

var thisttext=''；
thisText=document.getElementById（'textToStrip'）。值；
var re=新的RegExp（“”，'igm'）；
thisText=thisText.replace（re'，）；

正则表达式无法解析XML。不要使用正则表达式解析XML。不要过关。不要收取200英镑

您需要一个合适的XML解析器。将RSS加载到中，然后使用仅获取文本内容

请注意，即使从RSS中提取了描述内容，它也可以包含活动的HTML。即:

<description> &lt;em&gt;Fish&lt;/em&gt; &amp;amp; chips </description>

emFish/em&；amp；炸薯条

当正确解析为XML，然后读取为文本时，可以为您提供文本字符串：

<em>Fish</em> &amp; chips

Fish&；炸薯条

或者，标记：

炸鱼薯条

RSS的有趣之处在于，你并不知道哪个是对的。在RSS2.0中，它是明确的HTML标记（第二种情况）；在其他版本中未指定。通常，您应该假设描述可以包含实体编码的HTML标记，如果您想从最终文本中进一步删除这些标记，则需要第二个解析步骤

---

（不幸的是，由于这是传统HTML而不是XML，因此更难解析；正则表达式甚至比解析XML更无用。在.NET中没有内置的HTML解析器，但有第三方库，如。）

对于值、注释、PI等为“>”的属性失败。您正在清理什么？来自RSS提要的XML本身？或者仅仅是单个提要条目的HTML内容？仅用几个IMG链接清理HTML（RSS的描述字段）。在这种情况下，我将坚持我下面的答案：-）正则表达式文化战争正在肆虐！

<em>Fish</em> &amp; chips