在制作一个导出导入工具的时候,遇到一个问题,就是读取的数据是html格式的,如果不进行格式整理,直接导入,会导致显示出现各种各样的问题,为此,想把html转换为纯文本,但是,因为html中有大量插图,需要保留,因此,需要实现html转换为纯文本的同时,保留图片。
因此,引入html转换为纯文本的函数。
/// <summary>
/// 将html文本转化为 文本内容方法TextNoHTML
/// </summary>
/// <param name="Htmlstring">HTML文本值</param>
/// <returns></returns>
public static string TextNoHTML(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);
//替换掉 < 和 > 标记
Htmlstring = Htmlstring.Replace("<", "");
Htmlstring = Htmlstring.Replace(">", "");
Htmlstring = Htmlstring.Replace("\r\n", "<br>");
Htmlstring = Htmlstring.Replace("\r", "");
Htmlstring = Htmlstring.Replace("\n", "");
//返回去掉html标记的字符串
return Htmlstring;
}
通过搜索工具,找到了下面这个html转换为纯文本的函数,经过测试,非常好用,一切正常的。
但是有一个问题,就是不能保留<img>标签,图片无法得到保留,不符合要求。
怎么办呢?高手当然可以修改代码,将<img>标签保留,但是修改起来难度较大,而且,正则表达式比较难写,至少以我的水平短时间内搞不定,为此,开拓思路,想到先把<img>标签替换为汉字,等html转换为纯文本后,再将<img>标签替换回来的方式。
经实践可行,而且,想保留那种标签都能够使用,方便快捷,代码如下:
foreach (var i in lstmg)
{
sContent = sContent.Replace(i.Value, "占位"+lstmg.IndexOf(i));
}
sContent = TextNoHTML(sContent);
foreach (var i in lstmg)
{
sContent = sContent.Replace("占位" + lstmg.IndexOf(i), "<p style=\"text-align: center\">" + i.Value + "<p>");
}
通过第一次循环,将所有<img>标签替换为占位1、占位2、占位3……,然后将html转换为纯文本,然后,再通过循环,将<img>替换回来,虽然效率上不是很高,但是也不失为一种简单易行的方案。记录下来,供备忘,也供大家参考。