急急急！如何用正则表达式提取网页源代码中的特定内容！

Question

要做一个类似纯文本网页浏览器的东东，不知道怎么写正则表达式提取网页源代码中的内容，要求保留文字和链接，其他的图片，声音文件都不需要

Answer 1

楼主如果牛b的话直接写html的渲染引擎好了~~~
我看楼主连html都不大了解~~哎~~~

Answer 2

html的渲染引擎?没什么用处,我要求是把源代码分离,不单单是显示问题!要求留HTML的构架和格式

Answer 3

楼主应该把问题讲清楚，有时实际一个东西有很多途径。
比如：若只是显示HTML，那你可以用.NET2005中的webbrowse。同时WEBBROWSE中还支持javascript,能灵活处理HTML的节点。

Answer 4

是不是要解析下 DOM 树呢……感觉比自己写 Regex 的规则容易些吧……没怎么做过 .NET 下的 XML 处理……
不过网页要是不规范就不好弄了吧……

Answer 5

我是用WEBBROWSE，当然是要最终还是显示一个HTML形式，其实目的就是一个，提取网页代码中的特定内容，即文本信息！但是链接保留。懂正则的帮忙看看这个正则行不行啊，但是VB里的，怎么把它改到c#中去？
New Regex("<(?<outeratg>[a-z]+[\d]?)(?<attributes>[^>]*)*>"
          &_"(?<interhtml>)(<(?<innertag>[a-z]+[\d]?)[^>]"
          &_"*>.*?<^k<intertag>>|<[a-z]+[\d]?[^[>]*>|"
          &_"(?>[^<]*))*(?=<^k<outertag>>))?",_Regexoptions.ignorecase
          Or_Regexoptions.complied Or_Regexoptions.Explicitcapture 
          Or_Regexoptions.singleLine)