C#怎么去除HTML标签_C#正则表达式纯文本提取技巧【基础】-C#.Net教程-PHP中文网

应优先使用htmlagilitypack等专业解析器而非正则，因正则无法正确处理html嵌套、注释、cdata、转义及大小写不敏感等问题；仅在完全可控的单层纯文本场景才可谨慎使用正则分步清理。

c#怎么去除html标签_c#正则表达式纯文本提取技巧【基础】

直接用 Regex.Replace 配合简单正则就能快速去标签，但别 blindly 用 <.></.> —— 它在嵌套、注释、CDATA 或含换行的标签里会崩，实际项目中大概率出错。

为什么 `<.></.>` 在 C# 里不安全

这个模式看似“非贪婪”，但遇到 <script>console.log('<div>');</script> 这类内容时，会把整个 <script>...</script> 当成一个标签切掉，而实际只想删标签、保留脚本里的文本。更糟的是，它完全不处理 HTML 注释（）、CDATA（）或自闭合标签（<br>）的边界问题。

常见错误现象：Regex.Replace(html, "<.>", "")</.> 把一段含引号属性的 <a href="x>y"></a> 切成碎片，或漏掉多行 <style></style> 块。

它不区分开始/结束标签，也不跳过注释和 CDATA 区域
没设 RegexOptions.Singleline 时，. 不匹配换行符，导致跨行标签失效
对等实体不做还原，输出里全是乱码符号

`Regex.Replace` 分步清理比单次匹配更可靠

真正能落地的方案是分层清除：先干掉危险块（<script></script>、<style></style>、注释），再清普通标签，最后规整空白和实体。顺序不能乱，否则 <script></script> 里的 <div> 可能被误删。<p>实操建议：</p> <ul> <li>用 <code>@"<script>]*?>[\s\S]*?</script>" 和 @"<style>]*?>[\s\S]*?</style>" 清除脚本与样式块（[\s\S] 确保跨行）

用 @"" 清除注释（注意开头的 !）

再用 @"]*>" 清普通标签（比 <.></.> 更明确，[^>] 避免误吞内容）

最后用 Regex.Unescape 或手动替换常见实体，比如 → 空格、< →

示例片段：

使用HTML,CSS,JavaScript开发Android应用程序英文文字pdf版附源文件

如果你了解HTML，CSS和JavaScript，您已经拥有所需的工具开发Android应用程序。本动手本书展示了如何使用这些开源web标准设计和建造，可适应任何Android设备的应用程序 - 无需使用Java。您将学习如何创建一个在您选择的平台的Android友好的网络应用程序，然后转换与自由PhoneGap框架到一个原生的Android应用程序。了解为什么设备无关的移动应用是未来的潮流，并开始构建应用程序，提供更

下载

string CleanHtml(string html)
{
    if (string.IsNullOrEmpty(html)) return html;
    html = Regex.Replace(html, @"<script>]*?>[\s\S]*?</script>", "", RegexOptions.IgnoreCase);
    html = Regex.Replace(html, @"<style>]*?>[\s\S]*?</style>", "", RegexOptions.IgnoreCase);
    html = Regex.Replace(html, @"<!--[\s\S]*?-->", "", RegexOptions.IgnoreCase);
    html = Regex.Replace(html, @"]*>", "");
    html = Regex.Replace(html, @" ", " ", RegexOptions.IgnoreCase);
    html = Regex.Replace(html, @"&(quot|amp|lt|gt);", m => m.Groups[1].Value switch
    {
        "quot" => "\"",
        "amp"  => "&",
        "lt"   => " ">",
        _      => ""
    });
    return Regex.Replace(html, @"\s+", " ").Trim();
}

什么时候该放弃正则，改用 HtmlAgilityPack

如果你要处理的是完整 HTML 文档（比如从富文本编辑器存入 DB 的内容），或者需要保留某些标签（如只删 <script></script> 但留 <p></p> 和 <strong></strong>），正则就力不从心了。

典型场景：

HTML 结构不规范（缺失闭合标签、大小写混用、属性值无引号）
需提取特定节点文本（如只取 <article></article> 内容）
导出 Excel 时要求段落换行、列表缩进等语义还原

这时直接上 HtmlAgilityPack 更稳：

var doc = new HtmlDocument();
doc.LoadHtml(html);
string text = doc.DocumentNode.InnerText;

它自动解析 DOM、修复嵌套、忽略注释和 CDATA，且不依赖正则回溯逻辑 —— 对复杂 HTML 的鲁棒性远高于手写正则。

真正容易被忽略的点是：多数业务场景根本不需要“完美还原语义”，但开发者常高估输入 HTML 的质量。先跑一遍 ]*> + 实体处理，90% 的摘要、日志、导出需求就已覆盖；只有当测试发现大量 <div> 残留或换行错乱时，才值得引入 HtmlAgilityPack —— 不要一开始就把简单问题工程化。</div>