Jak filtrować wszystkie znaczniki HTML z wyjątkiem określonej białej listy?

Jest to dobry przykład na filtrowanie znaczników html:

Dezynfekcja HTML

Atrybuty są głównym problemem z używaniem wyrażeń regularnych do pracy z HTML. Weźmy pod uwagę samą liczbę potencjalnych atrybutów, fakt, że większość z nich jest opcjonalna, a także fakt, że mogą występować w dowolnej kolejności, oraz fakt, że " > " jest znakiem prawnym w cytowanych wartościach atrybutów. Kiedy zaczniesz próbować wziąć to wszystko pod uwagę, regex, którego potrzebujesz, aby poradzić sobie z tym wszystkim, szybko stanie się niemożliwy do zarządzania.

Zamiast tego chciałbym użyć HTML opartego na zdarzeniach parser, czyli taki, który daje Ci drzewo DOM, przez które możesz przejść.

Właśnie zauważyłem, że obecne rozwiązanie pozwala tagom, które zaczynają się od dowolnego z akceptowalnych tagów. Tak więc, jeśli" b "jest akceptowalnym znacznikiem, to "blink"również. Nie jest to wielka sprawa, ale coś do rozważenia, jeśli jesteś surowy o tym, jak filtrować HTML. Z pewnością nie chciałbyś dopuścić "s "jako akceptowalnego znacznika, ponieważ zezwalałby on na"script".

Powodem, dla którego dodanie słowa boundary \b nie zadziałało, jest to, że nie umieściłeś go w lookahead. Tak więc, \b będzie próbowane po

Włóż go do spojrzenia w ten sposób:

<(?!/?(i|b|h3|h4|a|img)\b)[^>]+>

Pokazuje również, jak można umieścić / przed listą tagów, a nie z każdym tagiem.

    /// <summary>
    /// Trims the ignoring spacified tags
    /// </summary>
    /// <param name="text">the text from which html is to be removed</param>
    /// <param name="isRemoveScript">specify if you want to remove scripts</param>
    /// <param name="ignorableTags">specify the tags that are to be ignored while stripping</param>
    /// <returns>Stripped Text</returns>
    public static string StripHtml(string text, bool isRemoveScript, params string[] ignorableTags)
    {
        if (!string.IsNullOrEmpty(text))
        {
            text = text.Replace("&lt;", "<");
            text = text.Replace("&gt;", ">");
            string ignorePattern = null;

            if (isRemoveScript)
            {
                text = Regex.Replace(text, "<script[^<]*</script>", string.Empty, RegexOptions.IgnoreCase);
            }
            if (!ignorableTags.Contains("style"))
            {
                text = Regex.Replace(text, "<style[^<]*</style>", string.Empty, RegexOptions.IgnoreCase);
            }
            foreach (string tag in ignorableTags)
            {
                //the character b spoils the regex so replace it with strong
                if (tag.Equals("b"))
                {
                    text = text.Replace("<b>", "<strong>");
                    text = text.Replace("</b>", "</strong>");
                    if (ignorableTags.Contains("strong"))
                    {
                        ignorePattern = string.Format("{0}(?!strong)(?!/strong)", ignorePattern);
                    }
                }
                else
                {
                    //Create ignore pattern fo the tags to ignore
                    ignorePattern = string.Format("{0}(?!{1})(?!/{1})", ignorePattern, tag);
                }

            }
            //finally add the ignore pattern into regex <[^<]*> which is used to match all html tags
            ignorePattern = string.Format(@"<{0}[^<]*>", ignorePattern);
            text = Regex.Replace(text, ignorePattern, "", RegexOptions.IgnoreCase);
        }

        return text;
    }

Myślę, że pierwotnie chciałem, aby wartości były opcjonalne, ale nie poszło zgodnie z planem, ponieważ widzę, że dodałem ? po znaku równości i pogrupowałem część wartości dopasowania. Dodajmy ? po tej grupie (oznaczonej karotem), aby była opcjonalna również w meczu. Nie jestem teraz na moim kompilatorze, ale zobacz, czy to działa:

@"</?(?(?=" + acceptable + @")notag|[a-z,A-Z,0-9]+)(?:\s[a-z,A-Z,0-9,\-]+=?(?:(["",']?).*?\1?)?)*\s*/?>";
                                                                                             ^