清理Word生成HTML的冗余；清理与清除HTML标签

众所周知，当直接将word中的内容复制到网页上时，会产生很多冗余代码；

而现在，在线编辑器又很普遍；就包括，现在用的百度空间的这个文本编辑器，如果直接从WORD中写好的文章复制进来，本来没有几个字，结果，它会提示，超出最大字数；也就是因为冗余代码过多的原因；

而用户直接拷贝Word的事儿很常见；以前我也写过一个清理的方法；在我的空间也有；当时只是为了让文章在显示时，很够统一格式；清理了一些多余样式，然后用CSS控件其样式，如果控件不了的，就用!importan强制定义；呵呵；

虽然清理了样式，但也遗留了不少，例如，<font style="color:red">示例</font>；清理后成了<font>示例></font>；其实这时font标签已经没有用了，不如直接清除字；

于是就又写了一些方法；把几个常用的简单方法发上来吧，很简单；

using System;
using System.Collections.Generic;
using System.Text;
using System.Text.RegularExpressions;

namespace Extend
{
    public class Article
    {

        #region 清理HTML标签
        /// <summary>
        /// 清理HTML标签的多余样式；如<div style="color:#454353">示例</div>;换成<div>示例</div>
        /// </summary>
        /// <param name="str">原始文本</param>
        /// <param name="element">要清除的标签</param>
        /// <returns></returns>
        public static string ClearElement(string str, string element)
        {
            string old = @"<" + element + "[^>]+>";
            string rep = "<" + element + ">";
            str = Regex.Replace(str, old, rep, RegexOptions.IgnoreCase);
            return str;
        }
        /// <summary>
        /// 清除HTML标签；如<div style="color:#454353">示例</div>;换成：示例
        /// </summary>
        /// <param name="str">原始文本</param>
        /// <param name="element">要清除的标签</param>
        /// <returns></returns>
        public static string ReMoveElement(string str,string element)
        {
            string regFront = @"<" + element + "[^>]*>";
            string regAfter = "</" + element + ">";
            str = Regex.Replace(str, regFront, "", RegexOptions.IgnoreCase);
            str = Regex.Replace(str, regAfter, "", RegexOptions.IgnoreCase);
            return str;
        }
        /// <summary>
        /// 清理指定字符串，大小写不敏感
        /// </summary>
        /// <param name="strText">原始文本</param>
        /// <param name="strOld">要替换的字符串，支持正则表达式，大小写不敏感</param>
        /// <param name="strNew">替换后的字符串</param>
        /// <returns></returns>
        public static string RegexReplace(string strText,string strOld,string strNew)
        {
            strText = Regex.Replace(strText, strOld, strNew, RegexOptions.IgnoreCase);
            return strText;
        }
        /// <summary>
        /// 清理Word的样式，主要是一些带冒号的标签，如o:p
        /// </summary>
        /// <param name="strText"></param>
        /// <returns></returns>
        public static string ClearWordStyle(string strText)
        {
            string regFront = @"<\w+:[^>]*>";
            string regAfter = @"</\w+:[^>]*>";
            strText = Regex.Replace(strText, regFront, "", RegexOptions.IgnoreCase);
            strText = Regex.Replace(strText, regAfter, "", RegexOptions.IgnoreCase);
            return strText;
        }
        #endregion

    }
}

以上只是清理的方法；实际操作时，可以这样写；

 

  /// <summary>
    /// 替换新闻内容中的Html标签的多余属性
    /// </summary>
    /// <param name="str"></param>
    /// <returns></returns>
    private string ArtilceClear(string str)
    {
        if (str == "" || str == null || string.IsNullOrEmpty(str))
            return "";
        //清理word标签，如o:p之类，带冒号的
        str = Extend.Article.ClearWordStyle(str);
        string[] el;
        //清理样式
        el = new string[] { "p", "div","table","tr","td" };
        foreach (string s in el)
        {
            try
            {
                str = Extend.Article.ClearElement(str, s);
            }
            catch
            {
                continue;
            }
        }
        //清除样式
        el = new string[] { "span", "strong", "font", "h1", "tbody","o:p" };
        foreach (string s in el)
        {
            try
            {
                str = Extend.Article.ReMoveElement(str, s);
                //while (str.IndexOf("</"+s+">") >-1)
                //{
                //    str = Extend.Article.ReMoveElement(s, str);
                //}
            }
            catch
            {
                continue;
            }
        }
        str = Extend.Article.RegexReplace(str," ","");
        return str;
    }

注意看“清理”还是“清除”；像P、div、table等，是不能清除的，只是将它们的样式清理一下，将冗余代码去掉，该标签并不删除；而像span、font、o:p等，可以连标签清除掉；

上面的代码，只作为参考；更复杂的按条件清理，可以参看我以前的文章；一般的清理，上面的代码，也足够了