C# .Net正则表达式去除HTML标记和空格

C# .Net正则表达式去除HTML标记和空格

http://www.cnblogs.com/deerchao/archive/2006/08/24/zhengzhe30fengzhongjiaocheng.html

 

C# .Net正则表达式去除HTML标记和空格

好了，下面说一下如何去除Html标签，这个想必有很多初学者很需要。其实还是正则表达式和字符串基本操作的应用，由于这个功能还是比较常用的，所以例子写成了函数，便于调用：

/**//// <summary>
/// 将Html标签转化为空格
/// </summary>
/// <param name="strHtml">待转化的字符串</param>
/// <returns>经过转化的字符串</returns>
private string stripHtml(string strHtml)
{
     Regex objRegExp = new Regex("<(.|\n)+?>");
     string strOutput = objRegExp.Replace(strHtml, "");
     strOutput = strOutput.Replace("<", "&lt;");
     strOutput = strOutput.Replace(">", "&gt;");
     return strOutput;
}
      ok，这样一来Html标签就基本没了，但是有些例外会使得去除不干净，所以建议连续两次转化，这样就搞定了。但是还没结束，如果你留意的话，可以看到上面的函数其实是将Html标签转化为了空格。太多连续的空格会影响之后对字符串的操作。所以再加入这样的语句：

//把所有空格变为一个空格
Regex r = new Regex(@"\s+");
wordsOnly = r.Replace(strResponse, " ");
wordsOnly.Trim();
      好了，大功告成，这里的wordsOnly便是我们最终的成果----去除了Html标签，并去除了多余空格的字符串。

另外匹配中文汉字如下：

2E80～33FFh：中日韩符号区。收容康熙字典部首、中日韩辅助部首、注音符号、日本假名、韩文音符，中日韩的符号、标点、带圈或带括符文数字、月份，以及日本的假名组合、单位、年号、月份、日期、时间等。

3400～4DFFh：中日韩认同表意文字扩充A区，总计收容6,582个中日韩汉字。

4E00～9FFFh：中日韩认同表意文字区，总计收容20,902个中日韩汉字。

A000～A4FFh：彝族文字区，收容中国南方彝族文字和字根。

AC00～D7FFh：韩文拼音组合字区，收容以韩文音符拼成的文字。

F900～FAFFh：中日韩兼容表意文字区，总计收容302个中日韩汉字。

FB00～FFFDh：文字表现形式区，收容组合拉丁文字、希伯来文、阿拉伯文、中日韩直式标点、小符号、半角符号、全角符号等。

比如需要匹配所有中日韩非符号字符,那么正则表达式应该是^[\u3400-\u9FFF]+$
理论上没错, 可是我到msn.co.ko随便复制了个韩文下来, 发现根本不对, 诡异
再到msn.co.jp复制了个'お', 也不得行..

然后把范围扩大到^[\u2E80-\u9FFF]+$, 这样倒是都通过了, 这个应该就是匹配中日韩文字的正则表达式了, 包括我們臺灣省還在盲目使用的繁體中文

而关于中文的正则表达式, 应该是^[\u4E00-\u9FFF]+$, 和论坛里常被人提起的^[\u4E00-\u9FA5]+$很接近

需要注意的是论坛里说的^[\u4E00-\u9FA5]+$这是专门用于匹配简体中文的正则表达式, 实际上繁体字也在里面, 我用测试器测试了下'中華人民共和國', 也通过了, 当然, ^[\u4E00-\u9FFF]+$也是一样的结果

去除所有汉字：

Regex objRegExp = new Regex("[\u4E00-\u9FA5]+");

string strOutput = objRegExp.Replace(strHtml, "");

 

 

======================

匹配URL最后的网页名称:
C#: /[^( |\\>|/|\"|']+
查找搜索框: /[^( |>|/|"|']+
匹配FORM表单的ACTION:
C# : action=[^( |\\>)]+
匹配INPUT标签:
C# : \\<input[^>]*\\>
匹配NAME属性：
C# : name=[^( |\\>)]+===========

=======================

 

 

 

======================

        private string stripHtml(string strHtml)

        {

            //Regex objRegExp = new Regex("<(.|\n)+?>");

            Regex objRegExp = new Regex("name=[^( |\\>)]+");

            Regex objRegExp1 = new Regex("type=[^( |\\>)]");

            string stef = string.Empty;

            Regex reg = new Regex(@"(?is)<ul[^>]*>(?><ul[^>]*>(?<o>)|</ul>(?<-o>)|(?:(?!</?ul\b).)*)*(?(o)(?!))</ul>");

            MatchCollection matches = reg.Matches(strHtml);

          

            string str1 = matches[1].Groups[0].Value;

            Match m = reg.Match(strHtml);

            if (m.Success)

            {

                stef += m.Value + "\n";

            }

 

            string strOutput = objRegExp1.Replace(strHtml, "");

            strOutput = objRegExp1.Replace(strOutput, "");

            strOutput = strOutput.Replace("<", "&lt;");

            strOutput = strOutput.Replace(">", "&gt;");

           

            Regex r = new Regex(@"\s+");

            strOutput = r.Replace(strOutput, " ");

            strOutput.Trim();

            return strOutput;

        }

==================