.NET(C#)用正则表达式清除HTML标签（包括script和style），保留纯本文

4年前 23,374 0

如今是互联网时代，随时随刻都在接触网页数据。那么对于.NET的开发人员来说，处理网页源码就是有时候就不能避免了。今天给大家分享.NET用正则表达式清除HTML标签的通用方法。使其保留网页源码中的纯文本，具体方法：

#region 去掉HTML中的所有标签,只留下纯文本

/// <summary>

/// 去掉HTML中的所有标签,只留下纯文本

/// </summary>

/// <param name="strHtml"></param>

/// <returns></returns>

public static string CleanHtml(string strHtml)

{

if (string.IsNullOrEmpty(strHtml)) return strHtml;

//删除脚本

//Regex.Replace(strHtml, @"<script[^>]*?>.*?</script>", "", RegexOptions.IgnoreCase)

strHtml = Regex.Replace(strHtml, "(\<script(.+?)\</script\>)|(\<style(.+?)\</style\>)", "", RegexOptions.IgnoreCase | RegexOptions.Singleline);

//删除标签

var r = new Regex(@"</?[^>]*>", RegexOptions.IgnoreCase);

Match m;

for (m = r.Match(strHtml); m.Success; m = m.NextMatch())

{

strHtml = strHtml.Replace(m.Groups[0].ToString(), "");

}

return strHtml.Trim();

}

#endregion

声明：本站内容来源于原创和互联网，尊重作者版权，转载请注明来源网址，欢迎收藏，谢谢！