什么是正则表达式和C#代码来去除除链接以外的任何html标记?

正则表达式完全错误:

<\s*a[^>]\s*href=(.*)>(.*?)<\s*/\s*a>
      ↑            ↑
      1.           2.

1. 这导致 <aa... <ab... , <ac... 等来匹配。

2. <a href='/one'>One</a> <a href='/two'>Two</a>
           ├───────────────────────────┤ ├─┤
                      group 1            grp2
   

不像乔丹的那样能防弹,但用火柴代替的例子是:

var pattern = @"<.*href=""(?<url>.*)"".*>(?<name>.*)</a>";
var matches = Regex.Matches(input, pattern);
foreach (Match match in matches)
{
    var groups = match.Groups;
    Console.WriteLine("{0}, {1}", groups["url"], groups["name"]);
}

最后。我制作了一个单独的.net控制台程序,将HtmlAgilityPack(HAP)和从那里查询SQL Server结合起来。在这个程序中,我确实使用了一个简单的正则表达式来分离片段,使用HAP检索了href和锚文本,并使用它完成了最后的合成,去掉了除文本、数字和一些标点符号以外的任何其他字符。