整合营销服务商

电脑端+手机端+微信端=数据同步管理

免费咨询热线:

「C#实战」一行代码搞定!高效移除HTML标签还原纯净文本

HTML文本中移除所有HTML标记并提取纯文本是我们经常需要使用的文本内容处理方式,比如搜索引擎、网站爬虫或者本地文档检索系统需要提取网页或HTML文档的实际内容进行索引。通过去除HTML标签,可以专注于实际的文字信息,提高搜索结果的相关性和准确性。在新闻聚合应用或社交媒体平台上展示网页链接的摘要时,通常会提取并显示纯文本内容以提供简洁的预览。对于视觉障碍人士使用的辅助技术如屏幕阅读器,它们无法解析复杂的HTML结构,因此需要提取纯文本以便朗读给用户。所以今天给大家分享一个使用正则表达式移除所有的Html标记的方法,供有需要的朋友们参考:

第一个核心代码是:正则表达式"<.*?>"

// 示例用法:

string inputHtml = "<html><body><h1>Hello, World!</h1>This is a <b>test</b>.</body></html>";

string plainText = RemoveHtmlTags(inputHtml);

Console.WriteLine(plainText); // 输出: "Hello, World!This is a test."

public static string RemoveHtmlTags(string html)

{

// 正则表达式用于匹配HTML标签

Regex regex = new Regex("<.*?>", RegexOptions.Singleline | RegexOptions.Compiled);

// 使用正则表达式的Replace方法移除所有匹配的HTML标签

string result = regex.Replace(html, String.Empty);

return result;

}

这个正则表达式<.*?>是非贪婪匹配任何以 < 开始、以 > 结束的字符串,它会尽可能少地匹配字符以找到每个HTML标签。

请注意,虽然此方法对于简单场景可能有效,但对复杂的HTML文档(特别是含有嵌套标签、注释、CDATA等内容)可能不够健壮,因为它无法处理所有可能的HTML结构。

第二个核心代码是:正则表达式"<[^>]*>"

public static string ExtractPlainTextFromHtml(string html)

{

// 使用正则表达式匹配所有的HTML标签

// 注意:这个简单的正则表达式适用于大多数基础HTML结构,但可能无法处理复杂嵌套或特殊格式的HTML

Regex regex = new Regex("<[^>]*>", RegexOptions.Singleline | RegexOptions.Compiled);

// 使用Replace方法去除所有匹配到的HTML标签,并返回纯文本内容

string plainText = regex.Replace(html, String.Empty);

return plainText.Trim(); // 为了得到更整洁的结果,可以对结果进行trim操作以去除多余的空白字符

}

在这段代码中,我们定义了一个名为ExtractPlainTextFromHtml的方法,该方法利用正则表达式 <[^>]*> 来查找并替换所有HTML标签。这里的正则表达式表示任何以 < 开始、以 > 结束的非空字符串(即HTML标签),Singleline 选项使.能匹配换行符,以便跨多行搜索标签,而 Compiled 选项则是为了优化正则表达式的性能。

第二个核心代码是:正则表达式"<[^>]*>"

public static string RemoveHtmlTags(string html)

{

// 正则表达式,匹配所有HTML标签

string pattern = "<[^>]+>";

// 使用Regex.Replace方法移除所有匹配的HTML标签

return Regex.Replace(html, pattern, String.Empty);

}

请注意,此方法仅移除HTML标记,不会解析或处理嵌入在HTML中的JavaScript代码或其他非标记内容。此外,此方法也无法处理不规范或不符合预期格式的HTML标记。如果需要更复杂的HTML解析或清理,您可能需要使用专门的HTML解析库,如AngleSharp或HtmlAgilityPack等。

尽管上述方法对于许多简单场景已经足够有效,但在面对复杂的HTML文档时,由于HTML本身的嵌套和特殊结构,简单的正则表达式可能无法完美地解析并移除所有标签。在这种情况下,推荐使用专门为处理HTML设计的库,如HtmlAgilityPack,它可以准确地解析HTML并提供丰富的API用于提取纯文本内容。

TML 规范的开发是一个渐进的过程,有时会出现问题。随着时间的推移,许多元素和属性被添加到 HTML 中,直到后来 Web 社区集体意识到有更好的方法时才被删除。由于已弃用和过时的元素和属性已经存在于网络上,因此许多现代浏览器继续支持它们的使用。尽管它们可能仍然有效,但您应该始终遵循最新版本的要求 HTML。不能保证浏览器对过时和弃用元素的支持会持续下去。有效但执行不A力。

有几种 HTML 元素和属性是有效的并且应该被使用,但是这些特性的实现随着时间的推移而发生了变化,而 Web 开发社区的一些人还没有注意到。HTMLtables就是一个很好的例子。table在某一时刻,使用 HTML元素创建网页布局是很常见的。几乎没有人再这样做了,CSS 比tables以往任何时候都更强大。但是,即使是经验丰富的 Web 开发人员,也存在许多其他不太严重的误用和语法错误。以下是一些经常被误用得完全有效且有用的 HTML 功能以及正确实现的示例。

DOCTYPE

虽然在技术上不是 HTML 元素,但DOCTYPE声明应该是每个 HTML 文档中出现的第一件事。这个声明是浏览器文档中代码的语言。过去,这个声明包括几个部分,可能会有点复杂。然而,在 HTML5 中,这很简单:

使用该声明开始每个人 HTML 文档,Web 浏览器将准确地知道您要说什么。

识别字符集



Web 浏览器必须知道用于编写文档的字符集才能正确呈现它。在绝大多数情况下,要声明的正确字符集是UTF-8。如果您需要声明其他任何内容,很可能您已经知道并知道如何去做。如果您不确定,请坚持使用 UTF-8 是一个安全的选择。在 HTML5 中声明字符集比在以前的 HTML 版本中要简单得多。这是现代 HTML5 中声明的正确语法:

只需将该行放到head您的 HTML 文档中即可。

链接到版权信息



过去,通常使用meta标签来提供版权信息。但是,这不是处理此任务的正确方法,并且网络爬虫无法识别标签的这种标签外使用meta。识别版权的正确方法是使用HTML 文档link中的元素,如下所示:head

您还可以在锚点和区域元素上使用rel="license"属性值对。

停止注释掉脚本



在过去,通常使用如下语法将脚本添加到 HTML 文档中:

这是有充分理由的。在某一时刻,许多浏览器无法识别script标签,并试图将标签之间的内容呈现为 HTML,从而导致它们以纯文本形式显示脚本。为了避免这个问题,开发人员会注释掉文本,这样它就不会被不受支持的浏览器呈现为 HTML。那些日子已经离我们很远了。所有现代浏览器都支持该script标签。只需完全删除 HTML 注释括号,或者更好的是,将 JavaScript 编写在单独的文件中,然后使用script标记将其导入到当前的 HTML 文档中,如下所示:



立即停止使用的 HTML 元素

还有不少元素曾经是 HTML 规范的一部分,但后来被弃用或废弃。以下是您可能仍在使用的八个 HTML 元素,您应该立即停止使用它们以及您可以使用的替代标签:

  1. applet:如果您仍在使用此标签,那么您遇到的问题比使用不推荐使用的标签更大,因为Java 正在作为一种 Web 编程语言退出。短期内切换到objectorembed元素,但长期停止在 web 上使用 Java。
  2. bgsound: 这个元素曾经被 IE 用来为网站添加背景音乐。背景音乐从一开始就是个坏主意。只是不要这样做。如果您想将音频内容添加到您的网站,请使用audio标签,但不要将其设置为自动播放。
  3. frame:该frame元素及其所有相关元素已从 HTML 规范中删除。不要使用它们。如果iframe您尝试嵌入外部网页,请使用CSS,如果您尝试设计网站布局,请使用。
  4. hgroup:在过去,您可以通过将标题和副标题包装在适当的标题级别并将两个标题包装在hgroup标签中来对标题和副标题进行分组。但是,此元素已被弃用。相反,使用单个标题元素来包含标题和副标题,将副标题包装在span标签中,并使用 CSS 来控制副标题的样式。
  5. dir:目录元素曾经是什么 HTML 规范的一部分,用于表示文件或页面的列表。改用锚元素的无序列表。
  6. acronym:此元素已被弃用,请改用缩写标签abbr
  7. isindex:此元素在网页上创建了一个文本字段。但是,从 HTML 4.01 开始,可以使用呈现此标记的form元素input和属性来完成同样的事情,type="text"这些标记是不必要的和过时的。
  8. plaintext, xmp, 和listing: 这些标签是以纯文本而不是 HTML 显示文本的不同方式。如果您想在 HTML 文档中嵌入纯文本,您有两个选项,pre以及'code'。要以等宽字体显示文本并保留空格 use pre,要显示代码,请使用该code元素并<通过>键入<>替换每个符号来转义所有符号。

由 CSS 更好地处理的任务

有许多元素和属性曾经是 HTML 的一部分,但执行的任务更适合 CSS。这些元素已经被弃用,取而代之的是让 CSS 控制网页呈现。

由 CSS 属性替换的元素

曾经使用 HTML 元素(如fontbasefontcenterstrikeu. 这些元素都已被弃用,取而代之的是 CSS 提供的字体和排版控件。要了解更多信息,请查看我们的字体和网页排版教程。一个从未真正流行起来的独特标签是multicol。此标签可用于将文本分成多列,类似于报纸的外观。现在可以使用 CSScolumns属性在现代浏览器中创建类似但更强大的效果。

由 CSS 属性替换的属性

广泛的 HTML 元素属性曾经可用于控制 HTML 元素的呈现。几乎所有这些标签都已被弃用,现在 CSS 提供了相同的功能。如果您不熟悉 CSS 以及如何实现这些属性,我们的 CSS 教程将帮助您立即开始使用层叠样式表。下面是一些更常用的属性和现在可以用来实现相同结果的 CSS 属性。

  1. align:此属性已被强大的 CSS 属性组合所取代,包括text-alignfloatvertical-align.
  2. backgroundbgcolor:不要使用这些已弃用的 HTML 属性应用背景图像和颜色,而是使用background-imagebackground-colorCSS 属性。
  3. heightwidth:这些属性的使用在某些元素上仍然有效。但是,在所有情况下,都可以通过使用同名的 CSS 属性来实现相同的效果。
  4. clear:如果要强制一个元素清除一侧或两侧的所有其他元素,请使用clearCSS 属性而不是clearHTML 属性。
  5. border:虽然此属性在许多元素上仍然可以正常工作,但使用borderCSS 属性应用边框是更好的做法。

其他资源

在本文中,我们介绍了一些最常见的元素和属性,这些元素和属性使用不当或已被弃用或过时。然而,我们真的只是触及了冰山一角。如果您想了解已从 HTML 规范中删除的所有 HTML 元素和属性,请参阅以下资源: