在html中删除<img src="random.jpg"/>和<p>随机文本</p>之外的所有内容

Question

我正在尝试使用c＃http模块从网页中删除数据。我只想要原始文本和图片。我该如何剥去其他所有东西？

private static Regex reg = new Regex(@"<img src=\t????????");

public override void Write(byte[] buffer, int offset, int count)
    {
      byte[] data = new byte[count];
      Buffer.BlockCopy(buffer, offset, data, 0, count);
      string html = System.Text.Encoding.Default.GetString(buffer);

      html = reg.Replace(html, string.Empty);


      byte[] outdata = System.Text.Encoding.Default.GetBytes(html);
      _sink.Write(outdata, 0, outdata.GetLength(0));
    }

Answer 1

使用HTML解析器，例如HtmlAgilityPack。