本文介绍了一款实用工具——HTML至纯文本转换器。该工具通过正则表达式匹配和替换HTML标签及特殊字符，将HTML内容转换为纯文本格式，并支持保留或去除换行格式。
//------------ private static string html2TextPattern = @"(?<script><script[^>]*?>.*?</script>)|(?<style><style>.*?</style>)|(?<comment><!--.*?-->)" + @"|(?<html><[^>]+>)" + // HTML标记 @"|(?<quot>&(quot|#34);)" + // 符号: " @"|(?<amp>&(amp|#38);)" + // 符号: & @"|(?<lt>&(lt|#60);)" + // 符号: < @"|(?<gt>&(gt|#62);)" + // 符号: > @"|(?<iexcl>&(iexcl|#161);)" + // 符号: (char)161 @"|(?<cent>&(cent|#162);)" + // 符号: (char)162 @"|(?<pound>&(pound|#163);)" + // 符号: (char)163 @"|(?<copy>&(copy|#169);)" + // 符号: (char)169 @"|(?<others>&(d+);)" + // 符号: 其他 @"|(?<space> | )"; // 空格 
/**//// <summary> 
/// 转换HTML为纯文本 /// </summary> /// <param name="html">HTML字符串</param> /// <param name="keepFormat">是否保留换行格式</param> 
/// <returns></returns> public static string Html2Text(string html, bool keepFormat) ...{ string pattern = html2TextPattern; if (! keepFormat) pattern += "|(?<control>[ /s])"; // 换行字符 RegexOptions options = RegexOptions.IgnoreCase | RegexOptions.Singleline | RegexOptions.Compiled; string txt = Regex.Replace(html, pattern, new MatchEvaluator(Html2Text_Match), options); if (! keepFormat) return Regex.Replace(txt.Trim(), "[ ]+", " ", options); // 替换多个连续空格 else return txt; } private static string Html2Text_Match(System.Text.RegularExpressions.Match m) ...{ if (m.Groups["quot"].Value != string.Empty) return """; else if (m.Groups["amp"].Value != string.Empty) return "&"; else if (m.Groups["lt"].Value != string.Empty) return "<"; else if (m.Groups["gt"].Value != string.Empty) return ">"; else if (m.Groups["iexcl"].Value != string.Empty) return "¡"; else if (m.Groups["cent"].Value != string.Empty) return "¢"; else if (m.Groups["pound"].Value != string.Empty) return "£"; else if (m.Groups["copy"].Value != string.Empty) return "(c)"; else if (m.Groups["space"].Value != string.Empty) return " "; else if (m.Groups["control"].Value != string.Empty) return " "; else return string.Empty; }
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
