正则表达式去除相应HTML 标记

最新推荐文章于 2024-01-24 15:30:50 发布

hanjieson

最新推荐文章于 2024-01-24 15:30:50 发布

阅读量1.1k

点赞数

分类专栏： c#

c# 专栏收录该内容

92 篇文章 1 订阅

订阅专栏

将HTML文本中的标记分为:注释,script ,style，以及其他标记分别去掉：

1.去注释,正则为:

output = Regex.Replace(input, @"", string.Empty, RegexOptions.IgnoreCase);

2.去script,正则为:

ouput = Regex.Replace(input, @"<script[^>]*?>.*?</script>", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline);
output2 = Regex.Replace(ouput , @"<noscript[^>]*?>.*?</noscript>", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline);

3.去style,正则为:

output = Regex.Replace(input, @"<style[^>]*?>.*?</style>", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline);

4.去其他HTML标记

         result = result.Replace(" ", " ");
          result = result.Replace(""", "\"");
         result = result.Replace("<", "<");
          result = result.Replace(">", ">");
          result = result.Replace("&amp", "&");
          result = result.Replace("<br>", "\r\n");
          result = Regex.Replace(result, @"<[\s\S]*?>", string.Empty, RegexOptions.IgnoreCase);

以上的代码中大家可以看到,我使用了RegexOptions.Singleline参数，这个参数很重要，他主要是为了让"."(小圆点)可以匹配换行符.如果没有这个参数，大多数情况下，用上面列正则表达式来消除网页HTML标记是无效的.