从字符串中删除 HTML 标记，包括 C# 中的 &nbsp

Question

如何在 C# 中使用正则表达式删除所有 HTML 标签，包括 &nbsp。我的字符串看起来像

  "<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>"

原文由 rampuriyaaa 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

如果您不能使用面向 HTML 解析器的解决方案来过滤掉标签，这里有一个简单的正则表达式。

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

理想情况下，您应该再次通过一个处理多个空格的正则表达式过滤器

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

原文由 Ravi K Thapliyal 发布，翻译遵循 CC BY-SA 3.0 许可协议

Answer 2

我采用了@Ravi Thapliyal 的代码并制定了一个方法：它很简单，可能不会清理所有内容，但到目前为止它正在做我需要它做的事情。

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

原文由 Don Rolling 发布，翻译遵循 CC BY-SA 3.0 许可协议