C# Jak usunąć komentarze XML/HTML z wyrażeniem regularnym

Question

Poniższy fragment nie działa dla mnie.

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

Answer 1

Zamiast tego zmień go na RegExOptions.Singleline i będzie działał dobrze. Gdy nie jest w trybie Singleline, kropka pasuje do dowolnego znaku, , z wyjątkiem nowego wiersza.

Należy pamiętać, że Singleline i Multiline nie wykluczają się wzajemnie. Robią dwie oddzielne rzeczy. Zacytować MSDN:

trybu wielowierszowego. Zmienia znaczenie ^ i $ więc pasuje na początku i na końcu odpowiednio z każdej linii, i nie tylko początek i koniec cały ciąg.

Tryb pojedynczej linii. Zmienia znaczenie kropki (.), Aby dopasowywał każdy znak (zamiast każdy znak za wyjątkiem \ n).

Inne osoby już zasugerowały pakiet Agility HTML. Po prostu poczułem, że powinieneś wytłumaczyć, dlaczego Twój Regex nie zadziałał :)

Answer 2

Proszę nie używać wyrażeń regularnych do pracy z języków znaczników - trzeba użyć lepszego narzędzia, który jest wbudowany do tego rodzaju pracy.

Zamiast tego użyj Html Agiliy Pack. Znalazłem nawet this article w którym czytnik (o nazwie Simon Mourier) Komentarze z funkcją, która używa html Agility Pack do usuwania komentarzy z dokumentu:

Simon MOURIER powiedział:

Jest to próbka Kod do usunięcia komentarzy:

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

Ten działa dla mnie:

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

Ale myślę, że można użyć normalnego dokumentu XML dla XML lub inaczej HtmlAgilityPack dla HTML. Wysoce nie zaleca analizowanie znaczników za pomocą RegEx.

Answer 4

To jest najlepszy wynik Google do usuwania komentarzy za pośrednictwem C#, a oto mój kod HtmlAgilityPack do robienia tego.

 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); 
       } 
      } 
     } 

To działa poprawnie w odpędzania komentarzach, a ignoruje doctype, który jest traktowany jako komentarz przez HtmlAgilityPack.

Chociaż regex działa w kontrolowanych warunkach. Jeśli przetwarzasz HTML z dzikiej sieci, polecam użycie HtmlAgilityPack. Kod HTML, który jest tam obecny, jest bardzo nieprzewidywalny, a wyrażenie regularne zostanie przerwane.