C#如何从HTML字符串中提取meta标签的content属性值？

手动通过字符串截取的方式从HTML里提取meta标签content值的方案鲁棒性极差，只要HTML格式和预设逻辑有微小偏差就会返回错误结果，甚至触发运行时异常。
你原有代码的核心问题有3个：

• 匹配起始位置时直接搜索全字符串第一个description关键词，如果页面正文、其他标签属性里出现了这个词，起始索引直接偏移
• 匹配结束位置时取全字符串最后一个>字符，如果目标meta标签后还有其他HTML内容，会把后续无关内容全部纳入截取范围
• 后续通过Replace删除字符的逻辑过于粗暴，会直接把content属性值本身包含的引号、斜杠等合法字符删掉，破坏原始内容

强烈不推荐手写字符串截取/正则处理HTML，C#生态下成熟的HTML解析库可以适配绝大多数不规范的HTML场景，稳定性远高于自定义逻辑，最常用的是轻量库HtmlAgilityPack。

实现步骤 #

• 右键项目依赖，通过NuGet搜索安装HtmlAgilityPack包
• 使用如下代码直接提取目标属性值，无需手动处理字符串截取、转义等逻辑：

using HtmlAgilityPack;

// 传入你的HTML源字符串
var htmlDoc = new HtmlDocument();
htmlDoc.LoadHtml(source);

// 匹配name属性为description的meta标签
var descMetaNode = htmlDoc.DocumentNode
    .SelectSingleNode("//meta[@name='description']");

string description = string.Empty;
if (descMetaNode != null)
{
    // 直接读取content属性值，不存在则返回空字符串
    description = descMetaNode.GetAttributeValue("content", "").Trim();
}

无第三方库的临时方案 #

如果受项目限制无法引入第三方库，可以用正则做临时匹配，注意该方案仅能适配格式规范的HTML，遇到属性值带转义引号、标签格式错乱的场景依然可能出错：

using System.Text.RegularExpressions;

var descMatch = Regex.Match(
    source, 
    @"<meta[^>]+name\s*=\s*[""']description[""'][^>]+content\s*=\s*[""'](?<desc>.*?)[""'][^>]*>", 
    RegexOptions.IgnoreCase
);
if (descMatch.Success)
{
    description = descMatch.Groups["desc"].Value;
}

内容的提问来源于stack exchange，提问作者Ann