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(huán)。

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(shù)組在for循環(huán)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(shù)十倍。具體的內容可以查看下面這兩篇文章：

RegexOption.Compiled
Regex Performance

　　通常，正則表達式的執(zhí)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(shù)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(shù)組的方式執(zhí)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(shù)組來處理大批量的文件時可以節(jié)省時間。在字符數(shù)組方法中，僅僅只是將非HTML標記的字符添加到數(shù)組緩沖區(qū)，為了提高效率，它使用字符數(shù)組和一個新的字符串構造器來接收字符數(shù)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(shù)，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：

HTML Brackets: Validation

Validate XHTML

　　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(shù)組進行迭代的效率最高。

以上所述是小編給大家介紹的C#使用for循環(huán)移除HTML標記 ，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！

最新評論