移除一段文字中的HTML標記，以消除其中包含的樣式和段落等，最常用的辦法可能就是正則表達式了。但是請注意，正則表達式并不能處理所有的HTML文檔，所以有時采用一個迭代的方式會更好，如for循環。看下面的代碼：
using System; using System.Text.RegularExpressions; /// <summary> /// Methods to remove HTML from strings. /// </summary> public static class HtmlRemoval { /// <summary> /// Remove HTML from string with Regex. /// </summary> public static string StripTagsRegex(string source) { return Regex.Replace(source, "<.*?>", string.Empty); } /// <summary> /// Compiled regular expression for performance. /// </summary> static Regex _htmlRegex = new Regex("<.*?>", RegexOptions.Compiled); /// <summary> /// Remove HTML from string with compiled Regex. /// </summary> public static string StripTagsRegexCompiled(string source) { return _htmlRegex.Replace(source, string.Empty); } /// <summary> /// Remove HTML tags from string using char array. /// </summary> public static string StripTagsCharArray(string source) { char[] array = new char[source.Length]; int arrayIndex = 0; bool inside = false; for (int i = 0; i < source.Length; i++) { char let = source[i]; if (let == '<') { inside = true; continue; } if (let == '>') { inside = false; continue; } if (!inside) { array[arrayIndex] = let; arrayIndex++; } } return new string(array, 0, arrayIndex); } }
代碼中提供了兩種不同的方式來移除給定字符串中的HTML標記，一個是使用正則表達式，一個是使用字符數組在for循環中進行處理。來看一下測試的結果：
using System; using System.Text.RegularExpressions; class Program { static void Main() { const string html = "<p>There was a <b>.NET</b> programmer " + "and he stripped the <i>HTML</i> tags.</p>"; Console.WriteLine(HtmlRemoval.StripTagsRegex(html)); Console.WriteLine(HtmlRemoval.StripTagsRegexCompiled(html)); Console.WriteLine(HtmlRemoval.StripTagsCharArray(html)); } }
輸出結果如下：
There was a .NET programmer and he stripped the HTML tags.
There was a .NET programmer and he stripped the HTML tags.
There was a .NET programmer and he stripped the HTML tags.
上述代碼中分別調用了HtmlRemoval類中的三個不同的方法，均返回了相同的結果，即去除了給定字符串中的HTML標記。推薦使用第二種方法，即直接引用一個預先定義好的RegexOptions.Compiled的正則表達式對象，它比第一種方法速度更快。但是RegexOptions.Compiled有一些缺點，在某些情況下它的啟動時間會增加數十倍。具體的內容可以查看下面這兩篇文章：
通常，正則表達式的執行效率并不是最高的，所以HtmlRemoval類中給定了另一種方法，使用字符數組來處理字符串。測試程序提供了1000個HTML文件，每個HTML文件中有大約8000個字符，所有的文件均通過File.ReadAllText方式進行讀取，測試結果顯示字符數組的方式執行速度是最快的。
Performance test for HTML removal HtmlRemoval.StripTagsRegex: 2404 ms HtmlRemoval.StripTagsRegexCompiled: 1366 ms HtmlRemoval.StripTagsCharArray: 287 ms [最快]
File length test for HTML removal File length before: 8085 chars HtmlRemoval.StripTagsRegex: 4382 chars HtmlRemoval.StripTagsRegexCompiled: 4382 chars HtmlRemoval.StripTagsCharArray: 4382 chars
所以，使用字符數組來處理大批量的文件時可以節省時間。在字符數組方法中，僅僅只是將非HTML標記的字符添加到數組緩沖區，為了提高效率，它使用字符數組和一個新的字符串構造器來接收字符數組和范圍，這個會比使用StringBuilder速度更快。
對于自關閉的HTML標記
在XHTML中，某些標記并不具有獨立的關閉標簽，如<br/>，<img/>等。上述代碼應該能夠正確處理自關閉的HTML標記。下面是一些支持的HTML標記，注意，正則表達式方法可能無法正確處理無效的HTML標記。
Supported tags
<img src="" />
<img src=""/>
<br />
<br/>
< div >
<!-- -->
HTML文檔中的注釋
本文給出的代碼對移除HTML文檔注釋中的HTML標記可能會失效。有些時候，注釋中可能會包含一些無效的HTML標記，在處理時這些HTML標記不會被完全移除。但是，掃描這些不正確的HTML標記有時可能是必要的。
如何驗證
有許多種方法可以用來驗證XHTML，我們可以采用和上面代碼相同的方式來進行迭代。一個簡單的方法是對'<'和'>'進行計數，從而確定它們是否匹配，或者采用正則表達式進行匹配。這里有一些資源介紹了這些方法：
有許多方法都可以用來去除給定字符串中的HTML標記，它們返回的結果也都是正確的。毫無疑問，采用字符數組進行迭代的效率最高。
文章列表
留言列表
