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,arial; font-size:14px; line-height:21px"> ouput = Regex.Replace(input,@"<script[^>]*?>.*?</script>",RegexOptions.IgnoreCase | RegexOptions.Singleline);
output2 = Regex.Replace(ouput,@"<noscript[^>]*?>.*?</noscript>",RegexOptions.IgnoreCase | RegexOptions.Singleline);
3.去style,@"<style[^>]*?>.*?</style>",arial; font-size:14px; line-height:21px"> 4.去其他HTML标记
result = result.Replace(" "," ");
result = result.Replace(""","\"");
result = result.Replace("<","<");
result = result.Replace(">",">");
result = result.Replace("&","&");
result = result.Replace("<br>","\r\n");
result = Regex.Replace(result,@"<[\s\S]*?>",arial; font-size:14px; line-height:21px"> 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.
原文地址:https://www.jb51.cc/regex/362948.html
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。