清除WORD格式HTML垃圾样式_清除html文件中word-优快云博客

本文链接：https://blog.youkuaiyun.com/rickyll/article/details/2807470

本文介绍了一个使用C#实现的静态方法CleanWordHtml，该方法通过正则表达式去除HTML代码中不必要的标签、注释、样式及空段落等元素，以达到净化HTML文档的目的。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

static string CleanWordHtml(string html)
        {
            StringCollection sc = new StringCollection();
            // get rid of unnecessary tag spans (comments and title)
            sc.Add(@"");
            sc.Add(@"<title>(/w|/W)+?</title>");
            // Get rid of classes and styles
            sc.Add(@"/s?class=/w+");
            sc.Add(@"/s+style='[^']+'");
            // Get rid of unnecessary tags
            //sc.Add(@"<(meta|link|/?o:|/?style|/?div|/?st/d|/?head|/?html|body|/?body|/?span|!/[)[^>]*?>");
            sc.Add(@"<(meta|link|/?o:|/?style|/?font|/?strong|/?st/d|/?head|/?html|body|/?body|/?span|!/[)[^>]*?>");
            // Get rid of empty paragraph tags
            sc.Add(@"(<[^>]+>)+ (<//w+>)+");
            // remove bizarre v: element attached to <img> tag
            sc.Add(@"/s+v:/w+=""[^""]+""");
            // remove extra lines
            sc.Add(@"(/n/r){2,}");
            foreach (string s in sc)
            {
                html = Regex.Replace(html, s, "", RegexOptions.IgnoreCase);
            }
            return html;
        }