一个用C#过滤HTML代码的函数

最新推荐文章于 2018-09-28 20:38:00 发布

原创最新推荐文章于 2018-09-28 20:38:00 发布 · 858 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#html #c# #regex #正则表达式 #javascript #string

本文提供了一段使用C#编写的代码，该代码利用多个正则表达式来清除HTML页面中的各种标签，如通用标签、特定属性、控件事件、iframe、frameset等，适用于网页内容的抓取和清理。

正好有时间所以用 C#写了一段 正则表达式,作用是删除 Page 里面Code 中的 HTML标签,这在做采集信息,消除其中的HTML很有用处。

以下是引用片段：
public string checkStr(string html)
       {
           System.Text.RegularExpressions.Regex regex1 = new System.Text.RegularExpressions.Regex(@" ", System.Text.RegularExpressions.RegexOptions.IgnoreCase);
           System.Text.RegularExpressions.Regex regex2 = new System.Text.RegularExpressions.Regex(@" href *= *[/s/S]*script *:", System.Text.RegularExpressions.RegexOptions.IgnoreCase);
           System.Text.RegularExpressions.Regex regex3 = new System.Text.RegularExpressions.Regex(@" no[/s/S]*=", System.Text.RegularExpressions.RegexOptions.IgnoreCase);
           System.Text.RegularExpressions.Regex regex4 = new System.Text.RegularExpressions.Regex(@"[/s/S]+", System.Text.RegularExpressions.RegexOptions.IgnoreCase);
           System.Text.RegularExpressions.Regex regex5 = new System.Text.RegularExpressions.Regex(@" ", System.Text.RegularExpressions.RegexOptions.IgnoreCase);
           System.Text.RegularExpressions.Regex regex6 = new System.Text.RegularExpressions.Regex(@"/ ]+/>", System.Text.RegularExpressions.RegexOptions.IgnoreCase);
           System.Text.RegularExpressions.Regex regex7 = new System.Text.RegularExpressions.Regex(@"

", System.Text.RegularExpressions.RegexOptions.IgnoreCase);
System.Text.RegularExpressions.Regex regex8 = new System.Text.RegularExpressions.Regex(@"

", System.Text.RegularExpressions.RegexOptions.IgnoreCase);
           System.Text.RegularExpressions.Regex regex9 = new System.Text.RegularExpressions.Regex(@"<[^>]*>", System.Text.RegularExpressions.RegexOptions.IgnoreCase);
           html = regex1.Replace(html, ""); //过滤标记
           html = regex2.Replace(html, ""); //过滤href=javascript: () 属性
           html = regex3.Replace(html, " _disibledevent="); //过滤其它控件的on...事件
           html = regex4.Replace(html, ""); //过滤iframe
           html = regex5.Replace(html, ""); //过滤frameset
           html = regex6.Replace(html, ""); //过滤frameset
           html = regex7.Replace(html, ""); //过滤frameset
           html = regex8.Replace(html, ""); //过滤frameset
           html = regex9.Replace(html, "");
           html = html.Replace(" ", "");
           html = html.Replace("", "");
           html = html.Replace("", "");
           return html;
}