本文介绍了一种使用正则表达式将包含HTML格式的文本转换为纯文本的方法，主要步骤包括去除空格、换行、HTML头部、脚本和样式标签，替换特定元素如td、tr、li、br、p为相应格式，移除HTML标签，以及处理特殊字符和转义序列。提供了一个C#实现的示例代码。
最近做的一个东东，想要去除掉保存的字符串内容的所有html格式，也就是只取纯文本，
从网上查了些相关资料，以及正则表达式的用法，
有一个方法向大家推荐，基本去除了我想要去除的html格式，可能根据需要不同，还需要你自己编写相关正则匹配，这里我自己加了一个去除所有空格的匹配，
下面把这个提取纯文本的方法跟贴出来跟大家学习，请多多指点。
参阅网络资料：http://www.suzhou35.com/blog/article.asp?id=169
1、［用正则表达式来提取html中的文本］
需要引用的命名空间是System.Text.RegularExpressions
using System.Text.RegularExpressions;
思路：
a、先将html文本中的所有空格、换行符去掉（因为html中的空格和换行是被忽略的）
b、将<head>标记中的所有内容去掉
c、将<script>标记中的所有内容去掉
d、将<style>标记中的所有内容去掉
e、将td换成空格，tr,li,br,p 等标记换成换行符
f、去掉所有以“<>”符号为头尾的标记去掉。
g、转换&，&nbps;等转义字符换成相应的符号
h、去掉多余的空格和空行
方法如下：
/// <summary>
/// 将HTML内容转换成纯文本形式，即去除HTML格式
/// </summary>
/// <param name="source"></param>
/// <returns></returns>
public static string ConvertToText(string source)
{
string result; &n
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
