c# regex html,c# 正则表达式对网页进行有效内容抽取

搜索引擎中一个比较重要的环节就是从网页中抽取出有效内容。简单来说,就是吧HTML文本中的HTML标记去掉,留下我们用IE等浏览器打开HTML文档看到的部分(我们这里不考虑图片).

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, @"", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline);

output2 = Regex.Replace(ouput , @"

]*?>.*?", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline);

3.去style,正则为:

output = Regex.Replace(input, @"", 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("
", "\r\n");

result = Regex.Replace(result, @"", 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.

HTML发展至今,语法已经相当复杂,上面只列出了几种最主要的标记,更多的去HTML标记的正则我将在

Rost WebSpider 的开发过程中补充进来。

下面用c#实现了一个从HTML字符串中提取有效内容的类:

using System;

using System.Collections.Generic;

using System.Text;

using System.Text.RegularExpressions;

class HtmlExtract

{

#region private attributes

private string _strHtml;

#endregion

#region public mehtods

public HtmlExtract(string inStrHtml)

{

_strHtml = inStrHtml

}

public override string ExtractText()

{

string result = _strHtml;

result = RemoveComment(result);

result = RemoveScript(result);

result = RemoveStyle(result);

result = RemoveTags(result);

return result.Trim();

}

#endregion

#region private methods

private string RemoveComment(string input)

{

string result = input;

//remove comment

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

return result;

}

private string RemoveStyle(string input)

{

string result = input;

//remove all styles

result = Regex.Replace(result, @"", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline);

return result;

}

private string RemoveScript(string input)

{

string result = input;

result = Regex.Replace(result, @"", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline);

result = Regex.Replace(result, @"

]*?>.*?", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline);

return result;

}

private string RemoveTags(string input)

{

string result = input;

result = result.Replace(" ", " ");

result = result.Replace(""", "\"");

result = result.Replace("<", "

result = result.Replace(">", ">");

result = result.Replace("&amp", "&");

result = result.Replace("
", "\r\n");

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

return result;

}

#endregion

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值