.NET(C#)用正则表达式清除HTML标签(包括script和style),保留纯本文

C#开发 2014-11-25 8154阅读 0评论 0收藏 收藏本文
如今是互联网时代,随时随刻都在接触网页数据。那么对于.NET的开发人员来说,处理网页源码就是有时候就不能避免了。今天给大家分享.NET用正则表达式清除HTML标签的通用方法。使其保留网页源码中的纯文本,具体方法:
#region 去掉HTML中的所有标签,只留下纯文本
    /// <summary>
    /// 去掉HTML中的所有标签,只留下纯文本
    /// </summary>
    /// <param name="strHtml"></param>
    /// <returns></returns>

    public static string CleanHtml(string strHtml)
    {
      if (string.IsNullOrEmpty(strHtml)) return strHtml;
      //删除脚本
      //Regex.Replace(strHtml, @"<script[^>]*?>.*?</script>", "", RegexOptions.IgnoreCase)
      strHtml = Regex.Replace(strHtml, "(\<script(.+?)\</script\>)|(\<style(.+?)\</style\>)", "", RegexOptions.IgnoreCase | RegexOptions.Singleline);
      //删除标签
      var r = new Regex(@"</?[^>]*>", RegexOptions.IgnoreCase);
      Match m;
      for (m = r.Match(strHtml); m.Success; m = m.NextMatch())
      {
        strHtml = strHtml.Replace(m.Groups[0].ToString(), "");
      }
      return strHtml.Trim();
    }

    #endregion
 

转载请注明:图享网 » .NET(C#)用正则表达式清除HTML标签(包括script和style),保留纯本文

文章评论

获取验证码