众果搜的博客

如果需要清除后台获得的网页源文件中的HMTL标记，那么需要使用正则表达式，下面这个直接编写为函数的程序，各位可以直接使用，也可以在这里先测试一下。看看效果如何。

1. using System.Text.RegularExpressions;     //包含正则表达式   
2.   
3.      public static string NoHTML(string Htmlstring) //去除HTML标记   
4.       {   
5.           //删除脚本   
6.           Htmlstring = Regex.Replace(Htmlstring, @"<script[^>]*?>.*?</script>", "", RegexOptions.IgnoreCase);   
7.           //删除HTML   
8.           Htmlstring = Regex.Replace(Htmlstring, @"<(.[^>]*)>", "", RegexOptions.IgnoreCase);   
9.           Htmlstring = Regex.Replace(Htmlstring, @"([\r\n])[\s]+", "", RegexOptions.IgnoreCase);   
10.           Htmlstring = Regex.Replace(Htmlstring, @"-->", "", RegexOptions.IgnoreCase);   
11.           Htmlstring = Regex.Replace(Htmlstring, @"<!--.*", "", RegexOptions.IgnoreCase);   
12.   
13.           Htmlstring = Regex.Replace(Htmlstring, @"&(quot|#34);", "\"", RegexOptions.IgnoreCase);   
14.           Htmlstring = Regex.Replace(Htmlstring, @"&(amp|#38);", "&", RegexOptions.IgnoreCase);   
15.           Htmlstring = Regex.Replace(Htmlstring, @"&(lt|#60);", "<", RegexOptions.IgnoreCase);   
16.           Htmlstring = Regex.Replace(Htmlstring, @"&(gt|#62);", ">", RegexOptions.IgnoreCase);   
17.           Htmlstring = Regex.Replace(Htmlstring, @"&(nbsp|#160);", " ", RegexOptions.IgnoreCase);   
18.           Htmlstring = Regex.Replace(Htmlstring, @"&(iexcl|#161);", "\xa1", RegexOptions.IgnoreCase);   
19.           Htmlstring = Regex.Replace(Htmlstring, @"&(cent|#162);", "\xa2", RegexOptions.IgnoreCase);   
20.           Htmlstring = Regex.Replace(Htmlstring, @"&(pound|#163);", "\xa3", RegexOptions.IgnoreCase);   
21.           Htmlstring = Regex.Replace(Htmlstring, @"&(copy|#169);", "\xa9", RegexOptions.IgnoreCase);   
22.           Htmlstring = Regex.Replace(Htmlstring, @"&#(\d+);", "", RegexOptions.IgnoreCase);   
23.   
24.           Htmlstring.Replace("<", "");   
25.           Htmlstring.Replace(">", "");   
26.           Htmlstring.Replace("\r\n", "");   
27.           Htmlstring = HttpContext.Current.Server.HtmlEncode(Htmlstring).Trim();   
28.   
29.           return Htmlstring;   
30.       }

或者

1. /// <summary>   
2.       /// 将所有HTML标签替换成""   
3.       /// </summary>   
4.       /// <param name="strHtml"></param>   
5.       /// <returns></returns>   
6.       public static string StripHTML(string strHtml)   
7.       {   
8.           string[] aryReg ={   
9.      @"<script[^>]*?>.*?</script>",   
10.      @"<(\/\s*)?!?((\w+:)?\w+)(\w+(\s*=?\s*(([""'])(file://[""'tbnr]|[^/7])*?/7|/w+)|.{0})|/s)*?(///s*)?>",   
11.      @"([\r\n])[\s]+",   
12.      @"&(quot|#34);",   
13.      @"&(amp|#38);",   
14.      @"&(lt|#60);",   
15.      @"&(gt|#62);",    
16.      @"&(nbsp|#160);",    
17.      @"&(iexcl|#161);",   
18.      @"&(cent|#162);",   
19.      @"&(pound|#163);",   
20.      @"&(copy|#169);",   
21.      @"&#(\d+);",   
22.      @"-->",   
23.      @"<!--.*\n"  
24.        
25.     };   
26.   
27.           string[] aryRep = {   
28.       "",   
29.       "",   
30.       "",   
31.       "\"",   
32.       "&",   
33.       "<",   
34.       ">",   
35.       " ",   
36.       "\xa1",//chr(161),   
37.       "\xa2",//chr(162),   
38.       "\xa3",//chr(163),   
39.       "\xa9",//chr(169),   
40.       "",   
41.       "\r\n",   
42.       ""  
43.      };   
44.   
45.           string newReg = aryReg[0];   
46.           string strOutput = strHtml;   
47.           for (int i = 0; i < aryReg.Length; i++)   
48.           {   
49.               Regex regex = new Regex(aryReg[i], RegexOptions.IgnoreCase);   
50.               strOutput = regex.Replace(strOutput, aryRep[i]);   
51.           }   
52.   
53.           strOutput.Replace("<", "");   
54.           strOutput.Replace(">", "");   
55.           strOutput.Replace("\r\n", "");   
56.   
57.   
58.           return strOutput;   
59.       }  

用起来很是不错。我用的第一个，第二个没有测试。原文链接：http://jhxk.javaeye.com/blog/436867