去掉html标签

去掉html标签,第1张

/// <summary>

/// 去除HTML标记

/// </summary>

/// <param name="NoHTML">包括HTML的源码 </param>

/// <returns>已经去除后的文字</returns>

public static string NoHTML(string Htmlstring)

{

//删除脚本

Htmlstring = Regex.Replace(Htmlstring,@"<script[^>]*?>.*?</script>","",RegexOptions.IgnoreCase)

//删除HTML

Htmlstring = Regex.Replace(Htmlstring,@"<(.[^>]*)>","",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"([\r\n])[\s]+","",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"-->","",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"<!--.*","",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"&(quot|#34)","\"",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"&(amp|#38)","&",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"&(lt|#60)","<",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"&(gt|#62)",">",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"&(nbsp|#160)"," ",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"&(iexcl|#161)","\xa1",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"&(cent|#162)","\xa2",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"&(pound|#163)","\xa3",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring,@"&(copy|#169)","\xa9",RegexOptions.IgnoreCase)

Htmlstring = Regex.Replace(Htmlstring, @"(\d+)","",RegexOptions.IgnoreCase)

Htmlstring.Replace("<","")

Htmlstring.Replace(">","")

Htmlstring.Replace("\r\n","")

//Htmlstring=HttpContext.Current.Server.HtmlEncode(Htmlstring).Trim()

return Htmlstring

}

在网页刚流行起来的时候,提取html中的文本有一个简单的方法,就是将html文本(包含标记)中的所有以“<”符号开头到以“>”符号之间的内容去掉即可。

但对于现在复杂的网页而言,用这种方法提取出来的文本会有大量的空格、空行、script段落、还有一些html转义字符,效果很差。

下面用正则表达式来提取html中的文本,

代码的实现的思路是:

a、先将html文本中的所有空格、换行符去掉(因为html中的空格和换行是被忽略的)

b、将<head>标记中的所有内容去掉

c、将<script>标记中的所有内容去掉

d、将<style>标记中的所有内容去掉

e、将td换成空格,tr,li,br,p 等标记换成换行符

f、去掉所有以“<>”符号为头尾的标记去掉。

g、转换&,&nbps等转义字符换成相应的符号

h、去掉多余的空格和空行

代码如下:

using System

using System.Text.RegularExpressions

namespace Kwanhong.Utilities

{

/// <summary>

/// HtmlToText 的摘要说明。

/// </summary>

public class HtmlToText

{

public string Convert(string source)

{

string result

//remove line breaks,tabs

result = source.Replace("\r", " ")

result = result.Replace("\n", " ")

result = result.Replace("\t", " ")

//remove the header

result = Regex.Replace(result, "(<head>).*(</head>)", string.Empty, RegexOptions.IgnoreCase)

result = Regex.Replace(result, @"<( )*script([^>])*>", "<script>", RegexOptions.IgnoreCase)

result = Regex.Replace(result, @"(<script>).*(</script>)", string.Empty, RegexOptions.IgnoreCase)

//remove all styles

result = Regex.Replace(result, @"<( )*style([^>])*>", "<style>", RegexOptions.IgnoreCase) //clearing attributes

result = Regex.Replace(result, "(<style>).*(</style>)", string.Empty, RegexOptions.IgnoreCase)

//insert tabs in spaces of <td> tags

result = Regex.Replace(result, @"<( )*td([^>])*>", " ", RegexOptions.IgnoreCase)

//insert line breaks in places of <br> and <li> tags

result = Regex.Replace(result, @"<( )*br( )*>", "\r", RegexOptions.IgnoreCase)

result = Regex.Replace(result, @"<( )*li( )*>", "\r", RegexOptions.IgnoreCase)

//insert line paragraphs in places of <tr> and <p> tags

result = Regex.Replace(result, @"<( )*tr([^>])*>", "\r\r", RegexOptions.IgnoreCase)

result = Regex.Replace(result, @"<( )*p([^>])*>", "\r\r", RegexOptions.IgnoreCase)

//remove anything thats enclosed inside < >

result = Regex.Replace(result, @"<[^>]*>", string.Empty, RegexOptions.IgnoreCase)

//replace special characters:

result = Regex.Replace(result, @"&", "&", RegexOptions.IgnoreCase)

result = Regex.Replace(result, @" ", " ", RegexOptions.IgnoreCase)

result = Regex.Replace(result, @"<", "<", RegexOptions.IgnoreCase)

result = Regex.Replace(result, @">", ">", RegexOptions.IgnoreCase)

result = Regex.Replace(result, @"&(.{2,6})", string.Empty, RegexOptions.IgnoreCase)

//remove extra line breaks and tabs

result = Regex.Replace(result, @" ( )+", " ")

result = Regex.Replace(result, "(\r)( )+(\r)", "\r\r")

result = Regex.Replace(result, @"(\r\r)+", "\r\n")

return result

}

}//end class

}//end namespace


欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/zaji/6115827.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023-03-15
下一篇 2023-03-15

发表评论

登录后才能评论

评论列表(0条)

保存