使用C#删除HTML标记

Question

我有使用Regex准备String的问题.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.一些标签我不删除但只添加\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 - > 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往往是解析HTML的不良选择,尤其是来自不同来源的HTML.

我建议使用像HTML Agility Pack这样的专用解析器:

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.