C# 正则表达式实战：零点博客开发中如何高效清洗数据与防止注入

大家好，我是零点博客的博主。在做后端开发时，尤其是涉及 C#/PHP 和爬虫开发时，处理脏数据是常态。今天咱们不整虚的，直接用 正则表达式 这个核心关键词，聊聊在实际业务中如何实现数据清洗，以及如何利用它来做安全的接口开发。

一、 为什么爬虫脚本里离不开正则表达式？

咱们开发爬虫抓取数据时，对方返回的 HTML 或 JSON 往往结构很混乱。手动字符串拼接提取字段不仅效率低，而且容易出错。以前我在处理 EMLOG 采集文章摘要时，就遇到过标签嵌套不清的问题。这时候，使用正则表达式提取特定的 <p> 标签内容简直是神器。

比如，我们需要从一段包含 HTML 标签的字符串中提取纯文本：

using System.Text.RegularExpressions;

string htmlContent = "<p>零点博客推荐：<a href='#'>C#高性能开发</a></p><p>核心是正则表达式</p>";

// 提取所有 p 标签内的文本
MatchCollection matches = Regex.Matches(htmlContent, "<p>(?<text>[^<]+)</p>");

foreach (Match match in matches)
{
    Console.WriteLine(match.Groups["text"].Value);
    // 输出：零点博客推荐：C#高性能开发
    // 输出：核心是正则表达式
}

你看，这就是正则表达式的魅力。它能让我们精准地从复杂的 HTML/CSS/JS 结构中剥离出我们需要的 JSON/XML 数据，无论对方前端怎么变，只要结构特征不变，我们就能稳稳抓取。

二、 从清洗到安全：正则表达式如何防止 SQL 注入

很多新手开发者容易忽视输入验证。在 PHP 或 C# 后端开发中，我们不仅要处理数据，更要防守安全漏洞。正则表达式是防御 SQL注入防护 的第一道防线。

比如在用户注册接口开发中，我们限制用户只能输入字母和数字：

// 简单的账号校验正则，只允许4-16位字母数字
string username = "User_123";
string pattern = @"^[a-zA-Z0-9]{4,16}$";

if (!Regex.IsMatch(username, pattern))
{
    throw new Exception("用户名格式不正确，存在特殊字符风险");
}

只有通过了正则预判的数据，我们才能放心地塞进 MySQL 数据库。当然，最好的习惯还是使用预处理语句，但这不代表可以放弃正则校验，两者结合才是防御标准。

三、 真人博主复盘：开发在线工具的底层拆解

最近我在写一个在线工具，功能是把一段乱七八糟的 JSON 文本格式化。底层逻辑其实很简单，就是利用正则表达式识别 `{}` 和 `[]`，再结合 CSS 缩进算法。但坑点在于转义字符的处理。如果你直接把用户输入的 HTML 转给前端渲染，可能会导致 XSS 跨站脚本攻击。

这里分享一个避坑指南：

  1. 先清洗：用正则表达式过滤掉用户输入中的 `