c# - c#中的html白名单

Question

花了大约 30 分钟左右的时间在 SO 上寻找这个问题的最终解决方案。

这个问题好像被问过很多次了，但是...

• 大多数解决方案都使用正则表达式。
• 有很多帖子说不应该使用正则表达式来处理 html。
• 有很多答案只是提供了 HTMLAgilityPack(在 Codeplex 上)的链接，但没有关于如何使用此包来满足规定要求的真实示例。

所以我正在寻找满足以下要求的最佳解决方案。

• 我想提供一个允许的 HTML 标签列表。
• 任何不在允许列表中的标签都应连同它们的属性和内容一起删除。
• 允许列表中的任何标签都应与属性和内容一起保留。
• 该解决方案应应对不同的本地化 - 可能会使用使用英语以外的语言和字符集的用户。
• [已添加] 该解决方案应处理论坛帖子等文本，而不是完整的 html 页面 - 因此允许使用 b u i 等标签，但不允许使用 script div 等标签，应将其删除。

我正在寻找 C# 解决方案，如果最好使用 RegEx，那么我很乐意这样做。如果有一个现有的库可以做到这一点，我也很乐意使用它们。如果可能，我将不胜感激。

我正在寻找一种明确的、经过实践检验的方法来解决这个问题，而不是广泛的辩论+封闭的帖子等:) :)

提前致谢。

Answer 1

您可以使用 Html Agility Pack用于解析 HTML。然后您可以按照自己喜欢的方式处理这些元素，然后再次将其写回 HTML。