当前位置: 首页 > 图文教程 > 网络编程 > ASP.NET > 提取HTML代码中文字的C#函数

ASP.NET
紧跟潮流:剖折QQ魔法表情实现原理
VB PDU mode 7 bit 解码
在主页面初始化时先打开连接
VB6窗体的生命周期
为.net中的ListBox控件添加双击事件
VB6中ADO流对象实现对二进制大型对象的读取方法
CASSINI源代码分析(4)
Mono开发指南:第一章 Mono介绍
ADO.NET Quiz 之对象序列化
Mono开发指南:第二章 安装Mono
Mono开发指南:第四章 Mono 初览
蛙蛙推荐:C#编码规范.doc
Mono开发指南:第三章 Hello Mono
Additional SOAP Namespaces Referenced In WSE 2.0 SOAP Headers
Mono开发指南:第五章 Gtk#编程
CASSINI源代码分析(5):总结
.Net线程学习手记(1)
关于C#中的结构(下)
如何用C#在Excel中生成图表?
Internet Explorer编程简述(一)

ASP.NET 中的 提取HTML代码中文字的C#函数


出处:互联网   整理: 软晨网(RuanChen.com)   发布: 2009-09-13   浏览: 154 ::
收藏到网摘: n/a

/// <summary>
/// 去除HTML标记
/// </summary>
/// <param name="strHtml">包括HTML的源码 </param>
/// <returns>已经去除后的文字</returns>
public static string StripHTML(string strHtml)
{
string [] aryReg ={
@"<script[^>]*?>.*?</script>",

@"<(\/\s*)?!?((\w+:)?\w+)(\w+(\s*=?\s*(([""'])(\\[""'tbnr]|[^\7])*?\7|\w+)|.{0})|\s)*?(\/\s*)?>",
@"([\r\n])[\s]+",
@"&(quot|#34);",
@"&(amp|#38);",
@"&(lt|#60);",
@"&(gt|#62);",
@"&(nbsp|#160);",
@"&(iexcl|#161);",
@"&(cent|#162);",
@"&(pound|#163);",
@"&(copy|#169);",
@"&#(\d+);",
@"-->",
@"<!--.*\n"
};

string [] aryRep = {
"",
"",
"",
"\"",
"&",
"<",
">",
" ",
"\xa1",//chr(161),
"\xa2",//chr(162),
"\xa3",//chr(163),
"\xa9",//chr(169),
"",
"\r\n",
""
};

string newReg =aryReg[0];
string strOutput=strHtml;
for(int i = 0;i<aryReg.Length;i++)
{
Regex regex = new Regex(aryReg[i],RegexOptions.IgnoreCase );
strOutput = regex.Replace(strOutput,aryRep[i]);
}

strOutput.Replace("<","");
strOutput.Replace(">","");
strOutput.Replace("\r\n","");


return strOutput;
}