最近做的一个东东,想要去除掉保存的字符串内容的所有html格式,也就是只取纯文本,
从网上查了些相关资料,以及正则表达式的用法,
有一个方法向大家推荐,基本去除了我想要去除的html格式,可能根据需要不同,还需要你自己编写相关正则匹配,这里我自己加了一个去除所有空格的匹配,
下面把这个提取纯文本的方法跟贴出来跟大家学习,请多多指点。
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
标记中的所有内容去掉c、将
d、将
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:
///
/// 将HTML内容转换成纯文本形式,即去除HTML格式
///
///
///
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, "(
).*()", string.Empty, RegexOptions.IgnoreCase);result = Regex.Replace(result, @"<( )*script([^>])*>", "
result = Regex.Replace(result, @"()", string.Empty, RegexOptions.IgnoreCase);
//remove all styles
result = Regex.Replace(result, @"])*>", "
result = Regex.Replace(result, "()", string.Empty, RegexOptions.IgnoreCase);
//insert tabs in spaces of
tagsresult = Regex.Replace(result, @"])*>", " ", RegexOptions.IgnoreCase);
//insert line breaks in places of
and
result = Regex.Replace(result, @"", "r", RegexOptions.IgnoreCase);
result = Regex.Replace(result, @"", "r", RegexOptions.IgnoreCase);
//insert line paragraphs in places of
andtags
result = Regex.Replace(result, @"])*>", "rr", RegexOptions.IgnoreCase);
result = Regex.Replace(result, @"])*>", "rr", 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, @"
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)", "rr");
result = Regex.Replace(result, @"(rr)+", "rn");
//remove blank
result = Regex.Replace(result, @"s", "");
return result;
}
2、[取出文本中的图片地址]
程序代码
public
static string GetImgUrl
(string HTMLStr
)
{
string str
= string
.Empty
;
string sPattern
= @
"^]*>"
;
Regex r
=
new Regex
(@
"]*s*srcs*=s*([']?)(?S+)'?[^>]*>"
,
RegexOptions
.Compiled
)
;
Match m
= r
.Match
(HTMLStr
.ToLower
(
)
)
;
if
(m
.Success
)
str
= m
.Result
(
"${url}"
)
;
return str
;
}