将html格式的内容转换成纯文本格式

最新推荐文章于 2024-06-13 10:09:08 发布

pandancne

最新推荐文章于 2024-06-13 10:09:08 发布

阅读量3.6k

点赞数 1

分类专栏： HTML 文章标签： html string tabs attributes 正则表达式 styles

本文链接：https://blog.csdn.net/pandancne/article/details/6138046

版权

HTML 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

1、［用正则表达式来提取html中的文本］

需要引用的命名空间是System.Text.RegularExpressions

using System.Text.RegularExpressions;

思路：

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

方法如下：

/// <summary>
        /// 将HTML内容转换成纯文本形式，即去除HTML格式
        /// </summary>
        /// <param name="source"></param>
        /// <returns></returns>
        public static string ConvertToText(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");

//remove blank
result = Regex.Replace(result, @"/s", "");

return result;
}

2、［取出文本中的图片地址］

public static string GetImgUrl (string HTMLStr )

         {

            string str = string .Empty ;

            string sPattern = @ "^<img/s+[^>]*>" ;

            Regex r = new Regex (@ "<img/s+[^>]*/s*src/s*=/s*([']?)(?<url>/S+)'?[^>]*>" ,

                RegexOptions .Compiled ) ;

            Match m = r .Match (HTMLStr .ToLower ( ) ) ;

             if (m .Success )

                str = m .Result ( "${url}" ) ;

             return str ;

         }

pandancne

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
1
评论
将html格式的内容转换成纯文本格式

1、［用正则表达式来提取html中的文本］需要引用的命名空间是System.Text.RegularExpressionsusing System.Text.RegularExpressions;思路：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、将标记中的所有内容去掉c、将
复制链接

扫一扫

专栏目录