Видаліть теги HTML із рядка, включаючи & nbsp у C #

Як я можу видалити всі теги HTML, включаючи & nbsp, використовуючи регулярний вираз у C #. Моя струна виглядає так

  "<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>"

Якщо ви не можете використовувати орієнтоване на синтаксичний аналізатор HTML рішення для фільтрації тегів, ось простий регулярний вираз для нього.

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

В ідеалі вам слід зробити ще один прохід через регулярний виразний фільтр, який опікується кількома пробілами як

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

Я взяв код @Ravi Thapliyal і створив метод: він простий і може не все очистити, але поки він робить те, що мені потрібно.

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

Я використовую цю функцію деякий час. Видаляє майже будь-який брудний html, який ви можете кинути на нього, і залишає текст недоторканим.

        private static readonly Regex _tags_ = new Regex(@"<[^>]+?>", RegexOptions.Multiline | RegexOptions.Compiled);

        //add characters that are should not be removed to this regex
        private static readonly Regex _notOkCharacter_ = new Regex(@"[^\w;&#@.:/\\?=|%!() -]", RegexOptions.Compiled);

        public static String UnHtml(String html)
        {
            html = HttpUtility.UrlDecode(html);
            html = HttpUtility.HtmlDecode(html);

            html = RemoveTag(html, "<!--", "-->");
            html = RemoveTag(html, "<script", "</script>");
            html = RemoveTag(html, "<style", "</style>");

            //replace matches of these regexes with space
            html = _tags_.Replace(html, " ");
            html = _notOkCharacter_.Replace(html, " ");
            html = SingleSpacedTrim(html);

            return html;
        }

        private static String RemoveTag(String html, String startTag, String endTag)
        {
            Boolean bAgain;
            do
            {
                bAgain = false;
                Int32 startTagPos = html.IndexOf(startTag, 0, StringComparison.CurrentCultureIgnoreCase);
                if (startTagPos < 0)
                    continue;
                Int32 endTagPos = html.IndexOf(endTag, startTagPos + 1, StringComparison.CurrentCultureIgnoreCase);
                if (endTagPos <= startTagPos)
                    continue;
                html = html.Remove(startTagPos, endTagPos - startTagPos + endTag.Length);
                bAgain = true;
            } while (bAgain);
            return html;
        }

        private static String SingleSpacedTrim(String inString)
        {
            StringBuilder sb = new StringBuilder();
            Boolean inBlanks = false;
            foreach (Char c in inString)
            {
                switch (c)
                {
                    case '\r':
                    case '\n':
                    case '\t':
                    case ' ':
                        if (!inBlanks)
                        {
                            inBlanks = true;
                            sb.Append(' ');
                        }   
                        continue;
                    default:
                        inBlanks = false;
                        sb.Append(c);
                        break;
                }
            }
            return sb.ToString().Trim();
        }

var noHtml = Regex.Replace(inputHTML, @"<[^>]*(>|$)|&nbsp;|&zwnj;|&raquo;|&laquo;", string.Empty).Trim();

Я використовував код @RaviThapliyal & @Don Rolling, але зробив невелику модифікацію. Оскільки ми замінюємо & nbsp порожнім рядком, але замість цього & nbsp слід замінити пробілом, тому додано додатковий крок. Це спрацювало для мене як шарм.

public static string FormatString(string value) {
    var step1 = Regex.Replace(value, @"<[^>]+>", "").Trim();
    var step2 = Regex.Replace(step1, @"&nbsp;", " ");
    var step3 = Regex.Replace(step2, @"\s{2,}", " ");
    return step3;
}

Використовується & nbps без крапки з комою, оскільки він отримує форматування за допомогою переповнення стека.

це:

(<.+?> | &nbsp;)

буде відповідати будь-якому тегу або  

string regex = @"(<.+?>|&nbsp;)";
var x = Regex.Replace(originalString, regex, "").Trim();

тоді x = hello

Дезінфекція HTML-документа передбачає багато складних речей. Цей пакет може допомогти: https://github.com/mganss/HtmlSanitizer

HTML у своїй базовій формі - це просто XML. Ви можете проаналізувати текст в об'єкті XmlDocument і в кореневому елементі викликати InnerText для вилучення тексту. Це призведе до видалення всіх HTML-тегів у будь-якій формі, а також матиме справу зі спеціальними символами, такими як & lt; & nbsp; все одним рухом.

(<([^>]+)>|&nbsp;)

Ви можете протестувати його тут: https://regex101.com/r/kB0rQ4/1