1

Tenho um trecho de HTML em que eu extraio algumas informações. Porém em um desses HTML está vindo o code &#43 no meio, que significa o sinal +. Tentei algumas formas mas nada de remover esse caractere.

Há alguma ideia de como tirar em específico os HTML code?
Hoje acontece isso mas pode ter problemas com outros também, exemplo sinal de -.

O que eu já tentei:

string texto = "<td>Para maiores informações consulte: &#43; informações</td>";
string novoTexto = Regex.Replace(texto, "[;\\/:*?\"<>|&']", string.Empty);
4
  • 3
    Por que remover? Não seria melhor simplesmente fazer o decode? stackoverflow.com/q/19692654
    – hkotsubo
    Commented 11/04/2019 às 16:50
  • opa valeu hkotsubo, tinha esquecido dessa possibilidade! Funcionou aqui pra mim, se vc quiser postar como resposta, eu deixo como resolvido
    – Eloa
    Commented 11/04/2019 às 17:28
  • Demorei, mas coloquei uma resposta :-)
    – hkotsubo
    Commented 12/04/2019 às 0:28
  • valeu, agradeço seu tempo em ter respondido :)
    – Eloa
    Commented 12/04/2019 às 10:45

1 Resposta 1

2

Um HTML Entity é uma informação perfeitamente válida em um HTML e não há motivo para removê-lo.

O que você pode fazer é o decode dele, usando HttpUtility.HtmlDecode (disponível no namespace System.Web), ou WebUtility.HtmlDecode (disponível no namespace System.Net):

string texto = "<td>Para maiores informações consulte: &#43; informações</td>";
Console.WriteLine(HttpUtility.HtmlDecode(texto));
Console.WriteLine(WebUtility.HtmlDecode(texto));

Ambos produzem o mesmo resultado:

<td>Para maiores informações consulte: + informações</td>

Mas se quiser remover os HTML Entities (e não substituí-los pelos caracteres equivalentes), então basta usar:

Console.WriteLine(Regex.Replace(texto, "&[^;]+;", string.Empty));

A regex contém o caractere & no início e o ; no final. Entre eles, há:

  • [^;]: o [^ cria uma classe de caracteres negados, ou seja, este trecho representa qualquer caractere que não esteja dentro dos colchetes. Portanto, este trecho significa "qualquer caractere que não seja ;"
  • o quantificador + significa "uma ou mais ocorrências"

Portanto, a regex significa: o caractere &, seguido de um ou mais caracteres que não sejam ;, seguido de ;. Com isso, todos os HTML Entities são eliminados. A saída é:

<td>Para maiores informações consulte:  informações</td>

Apenas para explicar porque sua regex não funcionou.

[;\\/:*?\"<>|&']: os colchetes definem uma classe de caracteres, que corresponde a qualquer caractere entre os colchetes. Portanto, esta regex significa "o caractere ;, ou o caractere \, ou o caractere /, ou o : etc...". O detalhe é que toda essa expressão corresponde a apenas um caractere (e este pode ser qualquer um dos que estão indicados).

Portanto, esta regex só elimina esses caracteres. No caso do HTML Entity, somente o & e o ; são eliminados, mas os números e o # não.

2
  • 1
    Eu gosto de ler suas respostas sobre Regex. Se você escrever ou já tiver escrito algo sobre o assunto me passa nome do livro que eu compro. Commented 12/04/2019 às 0:56
  • 1
    @AugustoVasques Obrigado! Já escrevi um livro, mas não é sobre regex (veja no meu perfil, é sobre um assunto que não aparecem tantas perguntas, se comparado com regex...). Mas agradeço pelo comentário, é sinal que meus estudos estão valendo a pena :-)
    – hkotsubo
    Commented 12/04/2019 às 1:07

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .