在网页上直接复制过来的新闻通常包括大量的html标记,下面两个函数消除这些标记,并可以有选择的保留一些标记
private
static
string
html2TextPattern
=
@"
(?<script><script[^>]*?>.*?</script>)|(?<style><style>.*?</style>)|(?<comment><!--.*?-->)
"
+
@"
|(?<html>(?!(<a)|<ps|(<p>)|(<img)|(<br)|(</)|(<strong))
"
+
//
保留的html标记前缀,<a>,<p>,<img><br><STRONG>
@"
<[^>]+>)
"
+
//
HTML标记
@"
|(?<quot>&(quot|#34);)
"
+
//
符号: "
@"
|(?<amp>&(amp|#38);)
"
+
//
符号: &
@"
|(?<end>(?!(</a)|(</strong)|(</p>))</[^>]+>)
"
+
//
HTML闭合标签 保留</A>,</STRONG>,</P>
@"
|(?<iexcl>&(iexcl|#161);)
"
+
//
符号: (char)161
@"
|(?<cent>&(cent|#162);)
"
+
//
符号: (char)162
@"
|(?<pound>&(pound|#163);)
"
+
//
符号: (char)163
@"
|(?<copy>&(copy|#169);)
"
+
//
符号: (char)169
@"
|(?<others>&(d+);)
"
;
//
符号: 其他
/**/
/// <param name="html">HTML字符串</param>
public
static
string
Html2Text(
string
html)
...
{
string pattern = html2TextPattern;
string pattern2 = @"([^>] s+)|(<br>( ){2,4})|(<br>s{2,4})"; //匹配换行符+空格 并替换为<P>标签
RegexOptions options = RegexOptions.IgnoreCase | RegexOptions.Singleline | RegexOptions.Compiled;
string txt = Regex.Replace(html, pattern2, "<P>", options);
txt = Regex.Replace(txt, pattern, new MatchEvaluator(Html2Text_Match), options);
return txt;
}
private
static
string
Html2Text_Match(Match m)
...
{
if (m.Groups["quot"].Value != string.Empty)
return """;
else if (m.Groups["amp"].Value != string.Empty)
return "&";
else if (m.Groups["iexcl"].Value != string.Empty)
return "¡";
else if (m.Groups["cent"].Value != string.Empty)
return "¢";
else if (m.Groups["pound"].Value != string.Empty)
return "£";
else if (m.Groups["copy"].Value != string.Empty)
return "(c)";
else
return string.Empty;
}
private
static
string
html2TextPattern
=
@"
(?<script><script[^>]*?>.*?</script>)|(?<style><style>.*?</style>)|(?<comment><!--.*?-->)
"
+
@"
|(?<html>(?!(<a)|<ps|(<p>)|(<img)|(<br)|(</)|(<strong))
"
+
//
保留的html标记前缀,<a>,<p>,<img><br><STRONG>
@"
<[^>]+>)
"
+
//
HTML标记
@"
|(?<quot>&(quot|#34);)
"
+
//
符号: "
@"
|(?<amp>&(amp|#38);)
"
+
//
符号: &
@"
|(?<end>(?!(</a)|(</strong)|(</p>))</[^>]+>)
"
+
//
HTML闭合标签 保留</A>,</STRONG>,</P>
@"
|(?<iexcl>&(iexcl|#161);)
"
+
//
符号: (char)161
@"
|(?<cent>&(cent|#162);)
"
+
//
符号: (char)162
@"
|(?<pound>&(pound|#163);)
"
+
//
符号: (char)163
@"
|(?<copy>&(copy|#169);)
"
+
//
符号: (char)169
@"
|(?<others>&(d+);)
"
;
//
符号: 其他
/**/
/// <param name="html">HTML字符串</param>
public
static
string
Html2Text(
string
html)
...
{ string pattern = html2TextPattern; string pattern2 = @"([^>] s+)|(<br>( ){2,4})|(<br>s{2,4})"; //匹配换行符+空格 并替换为<P>标签 RegexOptions options = RegexOptions.IgnoreCase | RegexOptions.Singleline | RegexOptions.Compiled; string txt = Regex.Replace(html, pattern2, "<P>", options); txt = Regex.Replace(txt, pattern, new MatchEvaluator(Html2Text_Match), options); return txt; }
private
static
string
Html2Text_Match(Match m)
...
{ if (m.Groups["quot"].Value != string.Empty) return """; else if (m.Groups["amp"].Value != string.Empty) return "&"; else if (m.Groups["iexcl"].Value != string.Empty) return "¡"; else if (m.Groups["cent"].Value != string.Empty) return "¢"; else if (m.Groups["pound"].Value != string.Empty) return "£"; else if (m.Groups["copy"].Value != string.Empty) return "(c)"; else return string.Empty; }
调用html2text()即可将html标记去掉并返回去掉后的文本,保留了加粗,超链接,段落,图片,并将以换行加空格来分段的字符替换成<P>
扫一扫
3079
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
