c# 正则表达式对网页进行内容抓取

原文 c# 正则表达式对网页进行内容抓取

搜索引擎中一个比较重要的环节就是从网页中抽取出有效内容。简单来说，就是吧HTML文本中的HTML标记去掉,留下我们用IE等浏览器打开HTML文档看到的部分（我们这里不考虑图片）.
 
将HTML文本中的标记分为:注释,script ,style，以及其他标记分别去掉： 
 
1.去注释,正则为: 
 
output = Regex.Replace(input, @"<!--[^-]*-->", string.Empty, RegexOptions.IgnoreCase); 
 
2.去script,正则为: 
 
ouput = Regex.Replace(input, @"<script[^>]*?>.*?</script>", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline); 
 
output2 = Regex.Replace(ouput , @"<noscript[^>]*?>.*?</noscript>", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline); 
 
3.去style,正则为: 
 
output = Regex.Replace(input, @"<style[^>]*?>.*?</style>", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline); 
 
4.去其他HTML标记 
 
result = result.Replace(" ", " "); 
 
result = result.Replace(""", "\""); 
 
result = result.Replace("<", "<"); 
 
result = result.Replace(">", ">"); 
 
result = result.Replace("&", "&"); 
 
result = result.Replace("<br>", "\r\n"); 
 
result = Regex.Replace(result, @"<[\s\S]*?>", string.Empty, RegexOptions.IgnoreCase); 
 
以上的代码中大家可以看到,我使用了RegexOptions.Singleline参数，这个参数很重要，他主要是为了让"."(小圆点)可以匹配换行符.如果没有这个参数，大多数情况下，用上面列正则表达式来消除网页HTML标记是无效的. 
 
HTML发展至今，语法已经相当复杂,上面只列出了几种最主要的标记,更多的去HTML标记的正则我将在 
 
Rost WebSpider 的开发过程中补充进来。 
 
下面用c#实现了一个从HTML字符串中提取有效内容的类: 
 
using System; 
 
using System.Collections.Generic; 
 
using System.Text; 
 
using System.Text.RegularExpressions; 
 
class HtmlExtract 
 
{ 
 
#region private attributes 
 
private string _strHtml; 
 
#endregion 
 
#region public mehtods 
 
public HtmlExtract(string inStrHtml) 
 
{ 
 
_strHtml = inStrHtml 
 
} 
 
public override string ExtractText() 
 
{ 
 
string result = _strHtml; 
 
result = RemoveComment(result); 
 
result = RemoveScript(result); 
 
result = RemoveStyle(result); 
 
result = RemoveTags(result); 
 
return result.Trim(); 
 
} 
 
#endregion 
 
#region private methods 
 
private string RemoveComment(string input) 
 
{ 
 
string result = input; 
 
//remove comment 
 
result = Regex.Replace(result, @"<!--[^-]*-->", string.Empty, RegexOptions.IgnoreCase); 
 
return result; 
 
} 
 
private string RemoveStyle(string input) 
 
{ 
 
string result = input; 
 
//remove all styles 
 
result = Regex.Replace(result, @"<style[^>]*?>.*?</style>", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline); 
 
return result; 
 
} 
 
private string RemoveScript(string input) 
 
{ 
 
string result = input; 
 
result = Regex.Replace(result, @"<script[^>]*?>.*?</script>", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline); 
 
result = Regex.Replace(result, @"<noscript[^>]*?>.*?</noscript>", string.Empty, RegexOptions.IgnoreCase | RegexOptions.Singleline); 
 
return result; 
 
} 
 
private string RemoveTags(string input) 
 
{ 
 
string result = input; 
 
result = result.Replace(" ", " "); 
 
result = result.Replace(""", "\""); 
 
result = result.Replace("<", "<"); 
 
result = result.Replace(">", ">"); 
 
result = result.Replace("&", "&"); 
 
result = result.Replace("<br>", "\r\n"); 
 
result = Regex.Replace(result, @"<[\s\S]*?>", string.Empty, RegexOptions.IgnoreCase); 
 
return result; 
 
} 
 
#endregion