C# 去除 HTML 标签的三种方法及性能对比

使用 For 循环和字符数组移除 HTML

对于需要高精度和高性能的 HTML 清理场景，基于状态机的迭代方式（如 For 循环遍历字符）往往比正则表达式更为可靠。该方法通过布尔标志位 inside 记录当前是否处于 HTML 标签内部，仅当不在标签内时才将字符追加到结果缓冲区中。

/// <summary>
/// Remove HTML tags from string using char array.
/// </summary>
public static string StripTagsCharArray(string source)
{
    char[] array = new char[source.Length];
    int arrayIndex = 0;
    bool inside = false;

    for (int i = 0; i < source.Length; i++)
    {
        char let = source[i];
        if (let == '<')
        {
            inside = true;
            continue;
        }
        if (let == '>')
        {
            inside = false;
            continue;
        }
        if (!inside)
        {
            array[arrayIndex] = let;
            arrayIndex++;
        }
    }
    return new string(array, 0, arrayIndex);
}

此方法的核心优势在于避免了正则引擎的回溯开销，并且直接操作内存中的字符数组，减少了字符串创建的压力。

三种方法的性能实测对比

为了验证不同实现的效率，我们构建了一个包含约1000个 HTML 文档的测试集，每个文档约8000字符。同时定义了以下三种提取纯文本的逻辑进行基准测试：

1. StripTagsRegex：每次调用新建 Regex 实例。
2. StripTagsRegexCompiled：使用静态预编译的 RegexOptions.Compiled 对象。
3. StripTagsCharArray：上述使用的字符数组迭代法。

以下是针对同一输入数据的耗时测试结果：

• HtmlRemoval.StripTagsRegex: 2404 ms
• HtmlRemoval.StripTagsRegexCompiled: 1366 ms
• HtmlRemoval.StripTagsCharArray: 287 ms（最快）

在输出长度一致性方面，三种方法均能正确将 8085 个字符的 HTML 源码精简为 4382 个字符的纯文本。

各方法优缺点分析与选型建议

第1步：评估正则表达式的适用性

入口：常规文本清洗任务。 动作：使用 Regex.Replace(source, "<.*?>", string.Empty)。

注意：正则表达式难以完美处理嵌套结构或非法闭合的 HTML 标签。例如 <.*?> 这种简单写法在非标准 HTML 下可能会截断正常文本。此外，普通的 Regex.Replace 因每次运行都需编译模式，速度最慢。

第2步：权衡预编译正则（Compiled Regex）

入口：对代码简洁性有要求且性能容忍度稍高的场景。 动作：定义静态字段 static Regex _htmlRegex = new Regex("<.*?>", RegexOptions.Compiled);。

分析：RegexOptions.Compiled 能将正则表达式生成中间语言（IL），显著提升运行速度（如上表所示，约为普通正则的一半时间）。但缺点是启动开销大，且在 JIT 编译期间会占用更多内存。如果应用启动次数少、请求频繁，这是一个不错的折中方案。

第3步：采用字符数组迭代法

入口：高并发、大批量数据处理或对性能极致要求的后端服务。

优势：测试数据显示，字符数组法的耗时仅为 287ms，是预编译正则的约 1/5，是普通正则的约 1/8。它不涉及复杂的回溯算法，逻辑清晰且执行流线性化。

边界情况处理说明

自关闭标签的处理

该方法能正确处理 XHTML 标准的自关闭标签，例如：

• <br /> 或 <br/>
• <img src="" />

只要标签以 < 开始并以 > 结束，无论中间是否有属性，均会被识别并移除。空格的存在不影响判断逻辑。

HTML 注释的限制

当前的实现逻辑主要依赖尖括号匹配。对于 HTML 注释（如 <!-- comment -->），虽然也会被移除，但如果注释内部包含了特殊的非闭合字符组合，或者存在未闭合的标签结构，简单的状态机可能无法像专业解析器那样优雅地恢复状态。若业务强依赖 XML/XHTML 规范校验，建议在此基础之上增加对注释内容的特殊过滤逻辑。

总结

C# 中移除 HTML 标签有多种途径。虽然正则表达式编写便捷，但在面对大批量数据处理时，基于 For 循环和字符数组的状态机算法展现出了显著的性能优势。在实际工程中，可根据数据规模和对代码维护成本的考量，在“预编译正则”和“字符数组法”之间做出选择。

以上就是C#去除HTML标签方法的详细内容，更多关于C#性能优化的资料请关注本站其它相关文章！