Comment supprimer les balises HTML d'une chaîne de caractères en ASP.NET ?

Question

En utilisant ASP.NET, comment puis-je supprimer les balises HTML d'une chaîne donnée de manière fiable (c'est-à-dire sans utiliser de regex) ? Je cherche quelque chose comme la fonction strip_tags .

Exemple :

<ul><li>Hello</li></ul>

Sortie :

"Bonjour"

J'essaie de ne pas réinventer la roue, mais je n'ai rien trouvé qui réponde à mes besoins jusqu'à présent.

Answer 1

Si c'est juste un décapage todo balises HTML à partir d'une chaîne, cela fonctionne de manière fiable avec regex également. Remplacer :

<[^>]*(>|$)

avec la chaîne vide, globalement. N'oubliez pas de normaliser la chaîne après, en la remplaçant :

[\s\r\n]+

avec un seul espace, et en coupant le résultat. Optionnellement, remplacer toutes les entités de caractères HTML par les caractères réels.

Note :

1. Il y a une limite : HTML et XML permettent > dans les valeurs des attributs. Cette solution sera renvoie un balisage défectueux lorsqu'il rencontre de telles valeurs.
2. La solution est techniquement sûre, comme dans : Le résultat ne contiendra jamais rien qui puisse être utilisé pour faire du cross site scripting ou pour casser une mise en page. Mais elle n'est pas très propre.
3. Comme avec toutes les choses HTML et regex :
   Utilice un analyseur correct si vous devez faire les choses correctement en toutes circonstances.

Answer 2

Allez télécharger HTMLAgilityPack, maintenant ! ;) Télécharger LInk

Cela vous permet de charger et d'analyser le HTML. Vous pouvez ensuite naviguer dans le DOM et extraire les valeurs internes de tous les attributs. Sérieusement, cela vous prendra environ 10 lignes de code au maximum. C'est l'une des meilleures bibliothèques .net gratuites qui existent.

En voici un exemple :

            string htmlContents = new System.IO.StreamReader(resultsStream,Encoding.UTF8,true).ReadToEnd();

            HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
            doc.LoadHtml(htmlContents);
            if (doc == null) return null;

            string output = "";
            foreach (var node in doc.DocumentNode.ChildNodes)
            {
                output += node.InnerText;
            }

Answer 3

Regex.Replace(htmlText, "<.*?>", string.Empty);

Answer 4

protected string StripHtml(string Txt)
{
    return Regex.Replace(Txt, "<(.|\\n)*?>", string.Empty);
}    

Protected Function StripHtml(Txt as String) as String
    Return Regex.Replace(Txt, "<(.|\n)*?>", String.Empty)
End Function

Answer 5

J'ai posté ce problème sur les forums asp.net, et il semble que ce soit toujours l'une des solutions les plus simples. Je ne garantis pas qu'elle soit la plus rapide ou la plus efficace, mais elle est assez fiable. Dans .NET, vous pouvez utiliser les objets HTML Web Control eux-mêmes. Tout ce que vous avez à faire, c'est d'insérer votre chaîne dans un objet HTML temporaire tel qu'un DIV, puis d'utiliser la fonction intégrée "InnerText" pour récupérer tout le texte qui n'est pas contenu dans les balises. Voir ci-dessous un exemple simple en C# :

System.Web.UI.HtmlControls.HtmlGenericControl htmlDiv = new System.Web.UI.HtmlControls.HtmlGenericControl("div");
htmlDiv.InnerHtml = htmlString;
String plainText = htmlDiv.InnerText;