技术文章 > 提取HTML代码中文字的C#函数

提取HTML代码中文字的C#函数

2018-09-22 22:53

文档管理软件,文档管理系统,知识管理系统,档案管理系统的技术资料:

/// <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;
}