提取HTML代码中文字的C#函数




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

  return strOutput;
  }
    (2005-9-28:10:26)

感谢原创者的辛勤劳动，希望对您有所帮助，转载请注明原出处。

您可能对 [正则表达式] 的这些文章也感兴趣： 正则表达式在UBB论坛中的应用 如何过滤掉html字符(c#) 常用正则表达式 深入浅出之正则表达式（二） 正则表达式学习笔记（2） 多选结构--匹配任意子表达式 解读C＃中的正则表达式 用正则表达式解析C#文件 深入浅出之正则表达式（一） 提取HTML代码中文字的C#函数 正则表达式详解