「C#實戰」一行代碼搞定！高效移除HTML標簽還原純凈文本

HTML文本中移除所有HTML標記并提取純文本是我們經常需要使用的文本內容處理方式，比如搜索引擎、網站爬蟲或者本地文檔檢索系統需要提取網頁或HTML文檔的實際內容進行索引。通過去除HTML標簽，可以專注于實際的文字信息，提高搜索結果的相關性和準確性。在新聞聚合應用或社交媒體平臺上展示網頁鏈接的摘要時，通常會提取并顯示純文本內容以提供簡潔的預覽。對于視覺障礙人士使用的輔助技術如屏幕閱讀器，它們無法解析復雜的HTML結構，因此需要提取純文本以便朗讀給用戶。所以今天給大家分享一個使用正則表達式移除所有的Html標記的方法，供有需要的朋友們參考：

第一個核心代碼是：正則表達式"<.*?>"

// 示例用法：

string inputHtml = "<html><body><h1>Hello, World!</h1>This is a test.</body></html>";

string plainText = RemoveHtmlTags(inputHtml);

Console.WriteLine(plainText); // 輸出: "Hello, World!This is a test."

public static string RemoveHtmlTags(string html)

{

// 正則表達式用于匹配HTML標簽

Regex regex = new Regex("<.*?>", RegexOptions.Singleline | RegexOptions.Compiled);

// 使用正則表達式的Replace方法移除所有匹配的HTML標簽

string result = regex.Replace(html, String.Empty);

return result;

}

這個正則表達式<.*?>是非貪婪匹配任何以 < 開始、以 > 結束的字符串，它會盡可能少地匹配字符以找到每個HTML標簽。

請注意，雖然此方法對于簡單場景可能有效，但對復雜的HTML文檔（特別是含有嵌套標簽、注釋、CDATA等內容）可能不夠健壯，因為它無法處理所有可能的HTML結構。

第二個核心代碼是：正則表達式"<[^>]*>"

public static string ExtractPlainTextFromHtml(string html)

{

// 使用正則表達式匹配所有的HTML標簽

// 注意：這個簡單的正則表達式適用于大多數基礎HTML結構，但可能無法處理復雜嵌套或特殊格式的HTML

Regex regex = new Regex("<[^>]*>", RegexOptions.Singleline | RegexOptions.Compiled);

// 使用Replace方法去除所有匹配到的HTML標簽，并返回純文本內容

string plainText = regex.Replace(html, String.Empty);

return plainText.Trim(); // 為了得到更整潔的結果，可以對結果進行trim操作以去除多余的空白字符

}

在這段代碼中，我們定義了一個名為ExtractPlainTextFromHtml的方法，該方法利用正則表達式 <[^>]*> 來查找并替換所有HTML標簽。這里的正則表達式表示任何以 < 開始、以 > 結束的非空字符串（即HTML標簽），Singleline 選項使.能匹配換行符，以便跨多行搜索標簽，而 Compiled 選項則是為了優化正則表達式的性能。

第二個核心代碼是：正則表達式"<[^>]*>"

public static string RemoveHtmlTags(string html)

{

// 正則表達式，匹配所有HTML標簽

string pattern = "<[^>]+>";

// 使用Regex.Replace方法移除所有匹配的HTML標簽

return Regex.Replace(html, pattern, String.Empty);

}

請注意，此方法僅移除HTML標記，不會解析或處理嵌入在HTML中的JavaScript代碼或其他非標記內容。此外，此方法也無法處理不規范或不符合預期格式的HTML標記。如果需要更復雜的HTML解析或清理，您可能需要使用專門的HTML解析庫，如AngleSharp或HtmlAgilityPack等。

盡管上述方法對于許多簡單場景已經足夠有效，但在面對復雜的HTML文檔時，由于HTML本身的嵌套和特殊結構，簡單的正則表達式可能無法完美地解析并移除所有標簽。在這種情況下，推薦使用專門為處理HTML設計的庫，如HtmlAgilityPack，它可以準確地解析HTML并提供豐富的API用于提取純文本內容。

過上一章的內容，現在網頁文件中，我們還須要去除的就是html代碼了。

下面我們要研究一下html代碼的主要特點，不管什么樣的HTML代碼，他們均被左右尖括號所包圍，就像這個樣子<代碼>，因此，我們就有了去除的方法，把括號中的內容和聯通括號一起去除掉，就可以了。

下面開始，根據我們的想法，可以寫出，下面這樣的主程序

看上圖，再上一張定義的函數，我們把它移動到了通用函數庫中

第21行，這是我們新增的代碼，執行完這個代碼，就去除掉了HTML標記，剩下的就應該是純文字內容了。在這里，我們定義了一個函數，名字叫做去除html代碼。

下面我們研究一下，這個函數的內容，如下圖

因為使用了正則表達式，因此，在程序運行前，必須導入模塊re

第3行，導入我們所需要的re模塊，我們想用到正則表達式

第5行，定義函數

第6行，用右尖括號分格隔成列表

第8行，對列表元素進行遍歷

第9行，使用正則挑出有效的內容，其實就是去除以前孤立的右尖括號的內容。

第10行，對有效的內容進行左尖括號分隔

第11行，左尖括號前面的內容就是有效的文字內容

完整的程序如下

下面我們對程序進行下測試，在上一章中，程序運行后得到如下的內容（內容太長，只截取一小部分）

本次程序改造后，運行得到下面的內容

從上面兩個圖片可以看出，我們確實把文字內容提取出來了。

.處理前需要進入架包

<groupId>net.htmlparser.jericho</groupId>

<artifactId>jericho-html</artifactId>

</dependency>

2.工具類：

public static String getPlainTextWithoutHtmlTag(String content) {

if(content == null || "".equals(content)){

return "";

}else{

Source src = new Source(content);

String str = src.getTextExtractor().toString().trim();

return str.replaceAll(" ","").replaceAll(" ", "");

}

3.例子

處理前：

王某某，副主任醫師，上海中醫藥大學博士，南京軍區南京總醫院腎臟病研究所博士后，全國第四批名老中醫學術繼承人。擅長中西醫結合治療腎內科疾病，對各種原發性和繼發性腎小球疾病的病理診斷與臨床治療、以及中早期慢性腎功能衰竭的“一體化”治療積累了豐富經驗，尤其對糖尿病腎病、IgA腎病、膜性腎病、狼瘡性腎炎、局灶節段性腎小球硬化癥、肥胖相關性腎病等疾病進行了深入研究。近年來發表學術論文十余篇，主持、參與科研課題五項。

處理后：王某某，副主任醫師，上海中醫藥大學博士，南京軍區南京總醫院腎臟病研究所博士后，全國第四批名老中醫學術繼承人。擅長中西醫結合治療腎內科疾病，對各種原發性和繼發性腎小球疾病的病理診斷與臨床治療、以及中早期慢性腎功能衰竭的“一體化”治療積累了豐富經驗，尤其對糖尿病腎病、IgA腎病、膜性腎病、狼瘡性腎炎、局灶節段性腎小球硬化癥、肥胖相關性腎病等疾病進行了深入研究。近年來發表學術論文十余篇，主持、參與科研課題五項。

大家可關注我的博客，一起交流學習

原文：https://blog.csdn.net/weixin_42720002/article/details/91510797

在線咨詢

上一篇：便簽怎么添加背景音樂？
下一篇：CSS3 Grid布局實現Loading動畫效果

您的項目需求

*請認真填寫需求信息，我們會在24小時內與您取得聯系。

整合營銷服務商

「C#實戰」一行代碼搞定！高效移除HTML標簽還原純凈文本

您的項目需求