抓取第三方內容時,需清洗危險標籤但保留安全標籤(如 a、img、br)。「黑名單」難以窮盡,「白名單」配合負向前瞻斷言更穩健。
<(?!((/?\s?li)|(/?\s?ul)|(/?\s?a)|(/?\s?img)|(/?\s?br)|(/?\s?span)|(/?\s?b)))[^>]+>
匹配不在白名單中的標籤:
(?! ... ) 負向前瞻:後面不是白名單標籤名。/?\s? 匹配可選關閉斜槿與空白。[^>]+ 匹配標籤屬性直到 >。private static string RemoveSpecifyHtml(string ctx) {
string[] holdTags = { "a", "img", "br", "strong", "b", "span", "li" };
string pattern = string.Format(@"<(?!((/?\s?{0})))[^>]+>",
string.Join(@")|(/?\s?", holdTags));
Regex reg = new Regex(pattern, RegexOptions.Compiled | RegexOptions.Multiline | RegexOptions.IgnoreCase);
return reg.Replace(ctx, "");
}
白名單含 a 會誤保留 abbr,li 誤保留 link。在標籤名後加 \b(單詞邊界)精確匹配:
<(?!((/?\s?li\b)|(/?\s?ul\b)|(/?\s?a\b)|...))[^>]+>
正則處理 HTML 有局限(巢狀、屬性含 >、註釋等)。生產環境建議用成熟庫(HtmlAgilityPack、AngleSharp、DOMPurify)做完整清洗。