C#中去除HTML标签的正则表达式方法

核心逻辑与目标

目标是保留文本内容，删除所有以 < 开头、> 结尾的HTML标签部分。这通常用于防止XSS攻击或简单化显示富文本内容。

第1步：引入命名空间

目的：使用正则表达式的核心类库。
入口：文件头部
动作：添加 using System.Text.RegularExpressions;
参数：无

第2步：构建正则表达式

目的：准确识别所有可能的HTML标签。
入口：方法内部
动作：创建 Regex 实例，匹配模式为 @"<[^>]+>|</[^>]+>"
重要参数：
- <[^>]+>：匹配开始标签（如 <div>）
- |：或运算符
- </[^>]+>：匹配闭合标签（如 </div>）
完成状态：regex 对象就绪。

第3步：执行替换并返回结果

目的：清洗原始字符串。
入口：使用 Regex.Replace 方法
动作：strOutput = regex.Replace(strHtml, "");
可观察结果：输入的 HTML 字符串被转换为不含任何标签的纯文本字符串。

完整代码实现

/// <summary>
/// 除去所有在HTML元素中标记
/// </summary>
public static string StripHTML(string strHtml)
{
    string strOutput = strHtml;
    // 使用正则表达式匹配所有开标签和闭标签
    Regex regex = new Regex(@"<[^>]+>|</[^>]+>");
    // 将其替换为空字符串
    strOutput = regex.Replace(strOutput, "");
    return strOutput;
}

注意事项

该方法基于简单的模式匹配，对于标准的HTML结构非常有效。但如果需要处理复杂的嵌套或残缺HTML，建议结合更专业的HTML解析库（如 HtmlAgilityPack）以确保准确性。以上就是C#中利用正则表达式去除HTML标签的详细内容，更多关于C#字符串处理与数据清洗的资料请关注本站其它相关文章！