.NET C# 正则表达式：高效筛选过滤 HTML 标签与属性方法详解

在 .NET C# 中处理用户输入或第三方 HTML 内容时，常需要去掉不需要的标签或属性（如 <script>、style、class、onclick 等），防止 XSS 或样式污染。使用正则表达式是一种简洁快速的方式，适合处理简单结构或已知标签类型的 HTML 内容。

移除所有 HTML 标签的基本正则

最常用的方式是：

string result = Regex.Replace(htmlString, "<.*?>", String.Empty);

或使用编译模式提高性能：

static Regex _htmlRegex = new Regex("<.*?>", RegexOptions.Compiled);
string result = _htmlRegex.Replace(htmlString, "");

这种方法适合将所有标签一次性剥离，只保留纯文本内容。

删除 <script>、<style> 及其内容

要彻底过滤 CSS 和 JS，还应先删除这些标签及其内部内容：

html = Regex.Replace(html, "<script[^>]*?>[\\s\\S]*?<\\/script>", "");
html = Regex.Replace(html, "<style[^>]*?>[\\s\\S]*?<\\/style>", "");
html = Regex.Replace(html, "<.*?>", "");

这一步可规避用户注入脚本或样式标签带来的风险。

筛选保留特定标签，移除其属性

某些场景下需要保留标签，但过滤它们的属性，例如保留 <a> 标签的文本内容，但清除 href、class 属性。可以使用如下正则：

string cleaned = Regex.Replace(html, @"<(\/?\w+)(?:\s+[\w-]+=([""'])?.*?\1?>", "<$1>");

或针对特定属性（如 class 或 style）进行独立替换：

var pattern = @"\s*(style|class)=(['""]).*?\2";
cleaned = Regex.Replace(html, pattern, "", RegexOptions.IgnoreCase | RegexOptions.Compiled);

这种方法适合过滤不受信任属性，同时保留结构标签。

匹配指定标签且含特定属性的用法

例如，你要捕获 <img> 中带有 src="goal.gif" 的标签，可用：

<img[^>]+goal\.gif.*?>

其中 [^>]+ 确保匹配中途不跨标签边界。

或者按顺序捕获 <div> 标签中某些属性的值：

<div\b(?>\s+(?:id="([^"]*)"|class="([^"]*)")|[^\s>]+|\s+)*>

该正则可同时捕获 id 和 class 不论顺序如何出现。

注意事项与推荐最佳实践

不适用正则解析复杂 HTML：HTML 是上下文敏感语言，嵌套标签、注释和 CDATA 块可能导致正则无法正确处理。不建议用于完整 HTML DOM 解析。

对于复杂结构推荐使用 HTML Agility Pack 或 AngleSharp：这些专用库能安全解析 HTML 文档结构，兼容不规范标签，并支持更精细操控，如提取链接、过滤属性、清理脚本等。

过滤属性时留意属性名的多样性：属性名可能包含 -，例如 data-id 或 data-columns，相应的正则要考虑 [\w-]+=".*?" 模式才能匹配完整属性名。

综合示例：C# 方法实现

public static string StripHtml(string input) {
    if (string.IsNullOrEmpty(input)) return string.Empty;
    // 删除 script/style 标签及内容
    input = Regex.Replace(input, "<script[^>]*?>[\\s\\S]*?<\\/script>", "", RegexOptions.IgnoreCase);
    input = Regex.Replace(input, "<style[^>]*?>[\\s\\S]*?<\\/style>", "", RegexOptions.IgnoreCase);
    // 移除所有 HTML 标签
    input = Regex.Replace(input, "<.*?>", "", RegexOptions.Compiled);
    return input;
}

public static string RemoveAttributes(string html, params string[] attrs) {
    foreach (var attr in attrs) {
        string pattern = $@"\s*{attr}=(['""]).*?\1";
        html = Regex.Replace(html, pattern, "", RegexOptions.IgnoreCase | RegexOptions.Compiled);
    }
    return html;
}

第一个方法彻底提取纯内容；第二个方法可用于清除特定属性，如 "class"、"style" 或 "onclick"。

总结

使用 <.*?> 正则快速去标签，适用于简单情况。
若需要更安全全面、更兼容复杂结构，推荐采用 HTML Agility Pack 或 AngleSharp 之类的解析器。
属性过滤可通过正则单独移除特定属性，但要处理属性命名多元化。
正则虽便捷高效，但有局限，需根据具体场景审慎使用。

通过上述方法和说明，你可以在 .NET C# 中灵活控制 HTML 输出，达到既安全又可控的文本处理效果。

.NET C# 正则表达式：高效筛选过滤 HTML 标签与属性 方法详解