去除HTML标签的文本清洗方法

需积分: 50 32 浏览量更新于2024-09-09 收藏 3KB TXT 举报

"这篇文档介绍的是如何在C#中去除文字中的HTML标签，提供了一种方法来清理HTML字符串，使其仅保留纯文本内容。" 在处理网页内容或从网页抓取数据时，我们经常会遇到需要从HTML代码中提取纯文本的情况。这个过程被称为“去除HTML标签”或“HTML去噪”。C# 提供了一些方法来实现这个功能，如在提供的代码段中所示。在给定的代码中，定义了一个名为`ClearHtml`的方法，它接受一个名为`Content`的字符串参数，该参数包含HTML文本。这个方法通过多次调用`Zxj_ReplaceHtml`函数来替换特定的HTML标签，以清除它们。`Zxj_ReplaceHtml`函数的实现未在此处给出，但可以假设它是一个用于正则表达式匹配和替换的自定义函数，其可能的工作原理是查找并替换符合特定模式（HTML标签）的字符串。以下是`ClearHtml`方法中去除的HTML标签列表： 1. `&#[^>]*;`: 这个模式用于去除HTML实体，例如`&`，`<`等。 2. `<marquee>...</marquee>`: 去除滚动文本标签。 3. `<object>...</object>`: 去除对象标签，通常用于嵌入多媒体内容。 4. `<param>...</param>`: 去除对象标签内的参数。 5. `<embed>...</embed>`: 去除内联插件标签。 6. `<table>...</table>`: 去除表格标签及其内容。 7. `<tr>...</tr>`: 去除表格行标签。 8. `<th>...</th>`: 去除表头单元格标签。 9. `<p>...</p>`: 去除段落标签。 10. `<a>...</a>`: 去除超链接标签。 11. `<img>...</img>`: 去除图像标签。 12. `<tbody>...</tbody>`: 去除表格体标签。 13. `<li>...</li>`: 去除列表项标签。 14. `<span>...</span>`: 去除用于文本格式化的span标签。 15. `<div>...</div>`: 去除分部标签，常用于布局。 16. `<th>...</th>`: 再次去除表头单元格标签（可能是遗漏或重复）。这个方法主要适用于那些不包含复杂嵌套结构的HTML片段。对于更复杂的HTML文档，可能需要使用更强大的库，如HTML Agility Pack或AngleSharp，这些库能够解析整个DOM树，并提供更精确的控制来选择和删除元素。在实际应用中，为了获得最佳效果，你可能需要根据具体需求调整这个方法，例如，添加更多常见的HTML标签到替换列表中，或者使用更复杂的正则表达式来处理特殊情况。此外，如果HTML结构较复杂，还应考虑处理嵌套标签、属性和其他特殊字符，以确保得到干净的纯文本。

/// <summary>
/// 清除文本中Html的标签
/// </summary>
/// <param name="Content"></param>
/// <returns></returns>
protected string ClearHtml(string Content)
{
Content = Zxj_ReplaceHtml("&#[^>]*;", "", Content);
Content = Zxj_ReplaceHtml("</?marquee[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?object[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?param[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?embed[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?table[^>]*>", "", Content);
Content = Zxj_ReplaceHtml(" ", "", Content);
Content = Zxj_ReplaceHtml("</?tr[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?th[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?p[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?a[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?img[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?tbody[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?li[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?span[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?div[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?th[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?td[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("</?script[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("(javascript|jscript|vbscript|vbs):", "", Content);
Content = Zxj_ReplaceHtml("on(mouse|exit|error|click|key)", "", Content);
Content = Zxj_ReplaceHtml("<\\?xml[^>]*>", "", Content);
Content = Zxj_ReplaceHtml("<\\/?[a-z]+:[^>]*>", "", Content);

下载后可阅读完整内容，剩余1页未读，立即下载

kuaileyanran

粉丝: 0
资源: 2

去除HTML标签的文本清洗方法

取新闻网页内容去掉html标记和空格

去掉Html页中的标签代码

去掉内容里的html标签

使用正则表达式去除所有html标签只保留文字

去除html标签

Python使用正则表达式去除(过滤)HTML标签提取文字功能

HTML标签的使用方法

HTML新手入门：掌握文字标签与布局

sql去除html标签，仅保留文字内容的方法

sql SERVER去除html标签，仅保留文字内容的方法

最新资源