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。但是請注意，正則表達(dá)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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
|
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(biāo)記，一個是使用正則表達(dá)式，一個是使用字符數(shù)組在for循環(huán)中進(jìn)行處理。來看一下測試的結(jié)果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
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，即直接引用一個預(yù)先定義好的RegexOptions.Compiled的正則表達(dá)式對象，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時間會增加數(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(jìn)行讀取，測試結(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(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)組和一個新的字符串構(gòu)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(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)式方法可能無法正確處理無效的HTML標(biāo)記。
Supported tags
|
1
2
3
4
5
6
|
<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(biāo)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(biāo)記，在處理時這些HTML標(biāo)記不會被完全移除。但是，掃描這些不正確的HTML標(biāo)記有時可能是必要的。
如何驗(yàn)證
有許多種方法可以用來驗(yàn)證XHTML，我們可以采用和上面代碼相同的方式來進(jìn)行迭代。一個簡單的方法是對'<'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。毫無疑問，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(fù)大家的。在此也非常感謝大家對服務(wù)器之家網(wǎng)站的支持！
原文鏈接：http://www.cnblogs.com/jaxu/p/3682042.html
