html 乱码转换为文字,将html格式的内容转换成纯文本格式-Go语言中文社区

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

tags

result = Regex.Replace(result, @"])*>", " ", RegexOptions.IgnoreCase);

//insert line breaks in places of
and

tags

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

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

//insert line paragraphs in places of

and

tags

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

;

}