Expresión regular para eliminar etiquetas HTML

Benjamín, miembro de nuestro staff, nos ha hecho el favor de escribir esta reseña ya que domina a la perfección este tema.

Solución:

El uso de una expresión regular para analizar HTML está lleno de trampas. HTML no es un lenguaje normal y, por lo tanto, no se puede analizar correctamente al 100 % con una expresión regular. Este es solo uno de los muchos problemas con los que te encontrarás. El mejor enfoque es usar un analizador HTML/XML para que haga esto por usted.

Aquí hay un enlace a una publicación de blog que escribí hace un tiempo que brinda más detalles sobre este problema.

• http://blogs.msdn.com/b/jaredpar/archive/2008/10/15/regular-expression-limitations.aspx

Dicho esto, aquí hay una solución que debería solucionar este problema en particular. Sin embargo, de ninguna manera es una solución perfecta.

var pattern = @"<(img|a)[^>]*>(?[^<]*)<";
var regex = new Regex(pattern);
var m = regex.Match(sSummary);
if ( m.Success ) { 
  sResult = m.Groups["content"].Value;

Para convertir esto:

'mammapapa'

dentro de esto:

'mamma papa'

Necesitas reemplazar las etiquetas con espacios:

.replace(/<[^>]*>/g, ' ')

y reduce los espacios duplicados a espacios individuales:

.replace(/s2,/g, ' ')

luego recorte los espacios iniciales y finales con:

.trim();

Lo que significa que su función de eliminación de etiquetas se ve así:

function removeTags(string)
  return string.replace(/<[^>]*>/g, ' ')
               .replace(/s2,/g, ' ')
               .trim();

Para eliminar también los espacios entre las etiquetas, puede usar el siguiente método, una combinación entre expresiones regulares y un recorte para los espacios al principio y al final del html de entrada:

    public static string StripHtml(string inputHTML)
    <[^>]+>";
        inputHTML = WebUtility.HtmlDecode(inputHTML).Trim();

        string noHTML = Regex.Replace(inputHTML, HTML_MARKUP_REGEX_PATTERN, string.Empty);

        return noHTML;
    

Entonces, para la siguiente entrada:

      
          test text  
 test 1 
 test 2 
 test 3 
      

La salida será solo el texto sin espacios entre las etiquetas html o el espacio antes o después de html: " texto de prueba prueba 1 prueba 2 prueba 3 ".

Tenga en cuenta que los espacios antes test text son de la test text html y el espacio después test 3 es de la test 3

html

Calificaciones y reseñas

Al final de la web puedes encontrar las críticas de otros sys admins, tú asimismo tienes la libertad de mostrar el tuyo si lo deseas.

---

---

Utiliza Nuestro Buscador