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
实现鼠标悬停显示文字，html中使用title属性就可实现显示文字的效果，这个属性还是比较实用的，你可以参考下<a href="#" title="这里是显示的文字">hello</a>
当鼠标悬停在 hello上一会就会有文字 "这里是显示的文字" 显示。
<!DOCTYPE html><html>
<head>
<title>文件示例</title>
<meta name="name" content="content" charset="utf-8">
</head>
<body>
<input type="file" id="file" />
<input type="button" onclick="readText()" value="File Button">
<div id="tt">
</div>
</body>
</html>
<script charset="utf-8">
window.onload=function () {
if(typeof(FileReader)=="undefined")
{
alert("你的浏览器不支持文件读取")
document.write("")
}else
{
alert("你的浏览器支持文件读取")
}
}
function readText() {
var file=document.getElementById("file").files[0]
var reader=new FileReader()
reader.readAsText(file)
reader.onload=function(data)
{
var tt=document.getElementById("tt")
tt.innerHTML=this.result
}
}
</script>
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）