将html格式的内容转换成纯文本格式

C#提取html中的汉字,

using System.Text.RegularExpressions; private string StripHT(string strHtml) //从html中提取纯文本 { Regex regex = new Regex("<.+?>", RegexOptions.IgnoreCase); string strOutput = regex.Replace(strHtml, "");//替换掉"<"和">"之间的内容 strOutput = strOutput.Replace("<", ""); strOutput = strOutput.Replace(">", ""); strOutput = strOutput.Replace("&nbsp;", ""); return strOutput; }

 

using
System.Text.RegularExpressions; private string StripHT( string strHtml)
// 从html中提取纯文本 { Regex regex = new Regex( " .+? " ,
RegexOpt...

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。

参阅网络资料:

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);

相关文章

Comment ()
评论是一种美德,说点什么吧,否则我会恨你的。。。