C# Come eliminare commenti XML/HTML con espressioni regolari

Question

Il frammento di seguito non funziona per me.

fragment = Regex.Replace(fragment, "<!--.*?-->", String.Empty , RegexOptions.Multiline ); 

Answer 1

Sostituirlo con RegExOptions.Singleline e funzionerà correttamente. Quando non si trova in modalità Singleline, il punto corrisponde a qualsiasi carattere, eccetto newline.

Nota che Singleline e Multiline non si escludono a vicenda. Fanno due cose separate. Per quotare MSDN:

Modalità multilinea. Cambia il significato di ^ e $ in modo che corrispondano all'inizio e terminano, rispettivamente, di qualsiasi riga, e non solo l'inizio e la fine di l'intera stringa.

Modalità a linea singola. Modifiche il significato del punto (.) In modo che corrisponda a ogni carattere (invece di ogni carattere tranne \ n).

Altre persone hanno già suggerito l'HTML Agility Pack. Ho appena sentito che dovresti avere una spiegazione sul motivo per cui il tuo Regex non funzionerebbe :)

Answer 2

Si prega di non utilizzare espressioni regolari per lavorare con i linguaggi di marcatura - è necessario utilizzare uno strumento migliore che è costruito per quel tipo di lavoro.

Utilizzare invece Html Agiliy Pack. Ho anche trovato this article in cui un lettore (di nome Simone Mourier) commenta con una funzione che utilizza il codice HTML Agility Pack rimuovere i commenti da un documento:

Simon Mourier detto:

Questo è un esempio codice per rimuovere commenti:

static void Main(string[] args) 
{ 
    HtmlDocument doc = new HtmlDocument(); 
    doc.Load("filewithcomments.htm"); 
    doc.Save(Console.Out); // show before 
    RemoveComments(doc.DocumentNode); 
    doc.Save(Console.Out); // show after 
} 

static void RemoveComments(HtmlNode node) 
{ 
    if (!node.HasChildNodes) 
    { 
     return; 
    } 

    for (int i=0; i<node.ChildNodes.Count; i++) 
    { 
     if (node.ChildNodes[i].NodeType == HtmlNodeType.Comment) 
     { 
      node.ChildNodes.RemoveAt(i); 
      --i; 
     } 
    } 

    foreach (HtmlNode subNode in node.ChildNodes) 
    { 
     RemoveComments(subNode); 
    } 
} 

Answer 3

Questo funziona per me:

<!--(\n|.)*--> 

Ma penso che potresti utilizzare il normale documento XML per XML o altrimenti HtmlAgilityPack per HTML. Molto non che consiglia di analizzare il markup utilizzando RegEx.

Answer 4

Questo è il primo risultato di Google per l'eliminazione dei commenti tramite C#, ed ecco il mio codice HtmlAgilityPack per farlo.

 HtmlDocument doc = new HtmlDocument 
          { 
           OptionFixNestedTags = true, 
           OptionOutputAsXml = true 
          }; 
     doc.LoadHtml(str); 

     // Script comments from the document. 
     if (doc.DocumentNode != null) 
     { 
      HtmlNodeCollection nodes = doc.DocumentNode.SelectNodes("//comment()"); 
      if (nodes != null) 
      { 
       foreach (HtmlNode node in from cmt in nodes 
              where (cmt != null 
               && cmt.InnerText != null 
               && !cmt.InnerText.ToUpper().StartsWith("DOCTYPE")) 
               && cmt.ParentNode != null 
              select cmt) 
       { 
        node.ParentNode.RemoveChild(node); 
       } 
      } 
     } 

Questo funziona correttamente a commenti di stripping, e ignora il tipo di documento che è considerato un commento di HtmlAgilityPack.

Mentre la regex funziona in condizioni controllate. Se stai elaborando HTML dal Web selvaggio, ti consigliamo di utilizzare HtmlAgilityPack. L'HTML che è là fuori è molto imprevedibile e la regex si interromperà.