Question

我在使用Regex准备String时遇到问题。我写了这个函数：

    private String parseAnswer(String res)
    {
        String[] pattern = new String[16] { "<head[^>]*?>.*?</head>", "<style[^>]*?>.*?</style>", "<script[^>]*?.*?</script>", "<object[^>]*?.*?</object>", "<embed[^>]*?.*?</embed>", "<applet[^>]*?.*?</applet>", "<noframes[^>]*?.*?</noframes>", "<noscript[^>]*?.*?</noscript>", "<noembed[^>]*?.*?</noembed>", "</?((address)|(blockquote)|(center)|(del))", "</?((div)|(h[1-9])|(ins)|(isindex)|(p)|(pre))", "</?((dir)|(dl)|(dt)|(dd)|(li)|(menu)|(ol)|(ul))", "</?((table)|(th)|(td)|(caption))", "</?((form)|(button)|(fieldset)|(legend)|(input))", "</?((label)|(select)|(optgroup)|(option)|(textarea))", "</?((frameset)|(frame)|(iframe))" };
        String[] replacement = new String[16] { " ", " ", " ", " ", " ", " ", " ", " ", " ", "\n$0", "\n$0", "\n$0", "\n$0", "\n$0", "\n$0", "\n$0" };

        for (int i = 0; i < pattern.Length; i++)
        {
            res = Regex.Replace(res, pattern[i], replacement[i]);
        }

        return res;
    }

此函数获取HTML代码作为输入。我想清除一些HTML标签。要做到这一点，我准备模式阵列。但似乎我的功能不清除HTML代码。我的模式是我要删除的HTML标记列表。有些标签我不会删除但只添加\ n。

你能帮我解决这个正则表达式吗？或者给我任何图书馆来做任务？我的目标是删除HTML标记，只接收要解析的网站文本。

编辑：好的，我可以使用HTMLAgilityPack，但我有几个问题： htmlDoc.LoadHtml（URL）; - 我需要将结果翻译成UTF8 - ＆gt; HTMLAgilityPack有任何转换功能吗？其次，我希望将InnerText的结果放到Json并将其发送到Javascript。如何在Javascript中禁止删除char？

Answer 1

Regex往往是poor choice for parsing HTML，特别是来自不同来源。

我建议使用专用的解析器，例如HTML Agility Pack：

什么是Html Agility Pack（HAP）？

这是一个敏捷的HTML解析器，它构建一个读/写DOM并支持普通的XPATH或XSLT（你实际上不需要理解XPATH或XSLT来使用它，不用担心......）。它是一个.NET代码库，允许您解析“out of the web”HTML文件。解析器非常容忍“真实世界”格式错误的HTML。对象模型与提出System.Xml非常相似，但对于HTML文档（或流）。

源代码下载附带了许多示例项目，这些项目记录了如何将库用于不同的任务。

使用C＃删除HTML标记

1 个答案: