C++如何从字符串中删除所有的HTML标签-C++-PHP中文网

正则表达式可快速剥离html标签，但仅适用于简单场景；应匹配宽松的尖括号对，注意注释、cdata和自闭合标签；msvc旧版std::regex存在bug；手动状态机更可靠，用in_tag标志控制字符保留。

c++如何从字符串中删除所有的html标签

用正则表达式快速剥离HTML标签（C++11及以上）

标准库 std::regex 能应付大多数简单HTML清洗场景，但要注意它不解析嵌套或 malformed 标签，只做字符串层面的模式替换。

常见错误是写成 R"(]*>)" 却忽略换行、注释（）、CDATA段或自闭合标签（如

<br>

），导致残留。实际应匹配更宽松的“尖括号对”：

使用 std::regex_replace(str, std::regex(R"(]*>)"), "") 可清除大部分标签
若需处理注释，额外加一条：std::regex_replace(str, std::regex(R"()"), "")（需开启 std::regex_constants::dot_not_newline 或逐行处理）
注意：MSVC 的 std::regex 在旧版本（如 VS2015）中 bug 较多，建议升级或改用 Boost.Regex / PCRE2

手动扫描比正则更可靠（无依赖、可控性强）

当输入不可信（比如含畸形标签、JS混淆、实体编码）时，正则容易漏删或误删。手动状态机虽代码稍长，但逻辑清晰、边界明确。

核心思路是遍历字符，用布尔标志 in_tag 记录是否在 和 <code>> 之间：

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

遇到 ' → 设 <code>in_tag = true，跳过该字符
在 in_tag 状态下，跳过所有字符直到遇到 '>'，然后设 in_tag = false
不在 in_tag 状态时，把当前字符追加到结果中
注意处理 ' 出现在属性值里的情况（如 <code>value="a<b>c"</b>）——严格来说这不属于标签，但手动扫描默认不识别引号上下文，所以会误删；如需精确，必须实现引号配对逻辑

用第三方库（如 Gumbo Parser）做真正解析式清理

如果原始字符串是完整 HTML 片段，且需要保留文本结构（比如换行、空格语义）、过滤特定标签（只删 <script></script> 不删 <p></p>），正则和手动扫描都不够用。

Gumbo 是 Google 开发的符合 HTML5 规范的 C 解析器，C++ 可直接调用：

调用 gumbo_parse() 得到 DOM 树，递归遍历节点，对 node->type == GUMBO_NODE_TEXT 的内容提取并拼接
相比正则，它能正确处理 实体、<code>、命名空间前缀等边缘情况
编译需链接 -lgumbo，Windows 下推荐用 vcpkg 安装：vcpkg install gumbo
性能开销比正则大一个数量级，但换来的是确定性 —— 你删掉的，一定是标签，不是文本里的合法字符

别忽略编码和实体问题

纯删标签不等于得到可读文本。HTML 中常见 &、、<code> 等实体，它们不是标签，但显示为特殊字符。

std::regex_replace 或手动扫描后，建议再做一次实体解码（可用简易映射表，或引入 htmlcxx 库的 HTMLParser::decodeEntities()）
若源字符串是 UTF-8 编码，确保你的程序以 UTF-8 读取并输出，否则中文等字符会乱码 —— 这和删标签无关，但常一起暴露
某些 CMS 输出的 HTML 含 BOM 或混合编码（如 GBK 内嵌 UTF-8），此时先检测/转换编码比硬删标签更重要

真正难的不是“怎么删”，而是“删完之后用户看到的是否符合预期”。标签只是表层，编码、实体、DOM 结构语义才是影响结果的关键变量。