从字符串 - 注释中删除HTML

Question

我有以下文本仍然包含一些HTML代码：

v\:* {behavior:url(#default#VML);}
o\:* {behavior:url(#default#VML);}
w\:* {behavior:url(#default#VML);}
.shape {behavior:url(#default#VML);}


Hi There,
 
For the product team to have any chance in analysing this issue we need clarification on how to reproduce the problem.

我的代码目前是：

string replacedEmailText = Regex.Replace(emailText, @"<(.|\n)*?>", string.Empty);
string finalText = WebUtility.HtmlDecode(replacedEmailText);

如何删除包含以下内容的顶行：

v\:* {behavior:url(#default#VML);}

？

Answer 1

对于此特定示例，您可以使用.*;}(\\r\\n|\\r|\\n)*作为替换模式。

但是，当文本包含序列时，这将失败;} 。 如果可以，您可能希望进一步详细了解html行的外观：

.*\\(#default#VML\\);}(\\r\\n|\\r|\\n)*

说明：

• .* ：匹配任何字符，除了新行和回车零连续多次
• \\(#default#VML\\);} ：匹配序列（#default＃VML）
• (\\r\\n|\\r|\\n)* ：删除新行和回车连续零次或多次

在这里演示

Answer 2

不要尝试使用正则表达式从文本中删除HTML，使用一些白名单库，如https://github.com/mganss/HtmlSanitizer