移除一段文字中的HTML標(biāo)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(dá)式了。但是請(qǐng)注意，正則表達(dá)式并不能處理所有的HTML文檔，所以有時(shí)采用一個(gè)迭代的方式會(huì)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(lái)移除給定字符串中的HTML標(biāo)記，一個(gè)是使用正則表達(dá)式，一個(gè)是使用字符數(shù)組在for循環(huán)中進(jìn)行處理。來(lái)看一下測(cè)試的結(jié)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(jié)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(diào)用了HtmlRemoval類中的三個(gè)不同的方法，均返回了相同的結(jié)果，即去除了給定字符串中的HTML標(biāo)記。推薦使用第二種方法，即直接引用一個(gè)預(yù)先定義好的RegexOptions.Compiled的正則表達(dá)式對(duì)象，它比第一種方法速度更快。但是RegexOptions.Compiled有一些缺點(diǎn)，在某些情況下它的啟動(dòng)時(shí)間會(huì)增加數(shù)十倍。具體的內(nèi)容可以查看下面這兩篇文章：

RegexOption.Compiled
Regex Performance

　　通常，正則表達(dá)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(lái)處理字符串。測(cè)試程序提供了1000個(gè)HTML文件，每個(gè)HTML文件中有大約8000個(gè)字符，所有的文件均通過(guò)File.ReadAllText方式進(jìn)行讀取，測(cè)試結(jié)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(lái)處理大批量的文件時(shí)可以節(jié)省時(shí)間。在字符數(shù)組方法中，僅僅只是將非HTML標(biāo)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(gè)新的字符串構(gòu)造器來(lái)接收字符數(shù)組和范圍，這個(gè)會(huì)比使用StringBuilder速度更快。

對(duì)于自關(guān)閉的HTML標(biāo)記

　　在XHTML中，某些標(biāo)記并不具有獨(dú)立的關(guān)閉標(biāo)簽，如<br/>，<img/>等。上述代碼應(yīng)該能夠正確處理自關(guān)閉的HTML標(biāo)記。下面是一些支持的HTML標(biāo)記，注意，正則表達(dá)式方法可能無(wú)法正確處理無(wú)效的HTML標(biāo)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(duì)移除HTML文檔注釋中的HTML標(biāo)記可能會(huì)失效。有些時(shí)候，注釋中可能會(huì)包含一些無(wú)效的HTML標(biāo)記，在處理時(shí)這些HTML標(biāo)記不會(huì)被完全移除。但是，掃描這些不正確的HTML標(biāo)記有時(shí)可能是必要的。

如何驗(yàn)證

　　有許多種方法可以用來(lái)驗(yàn)證XHTML，我們可以采用和上面代碼相同的方式來(lái)進(jìn)行迭代。一個(gè)簡(jiǎn)單的方法是對(duì)'<'和'>'進(jìn)行計(jì)數(shù)，從而確定它們是否匹配，或者采用正則表達(dá)式進(jìn)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(lái)去除給定字符串中的HTML標(biāo)記，它們返回的結(jié)果也都是正確的。毫無(wú)疑問(wèn)，采用字符數(shù)組進(jìn)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(biāo)記 ，希望對(duì)大家有所幫助，如果大家有任何疑問(wèn)請(qǐng)給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對(duì)腳本之家網(wǎng)站的支持！

最新評(píng)論