求一段能完全过滤掉HTML标记的C#方法

Question

我的方法,无法过滤掉javascrip标记,有些有用的文字也被误删了.代码如下:
        //过滤掉html代码 去除HTML标记
        public static string ClearHtmlCode(string txtHtml)
        {
            txtHtml = txtHtml.Trim();
            if (string.IsNullOrEmpty(txtHtml))
                return string.Empty;            //去掉多余的空格
            txtHtml = txtHtml.Replace("  ", ""); //将两个半角空格替换为空
            txtHtml = txtHtml.Replace("　", ""); //将一个全角空格替换为空            ////删除空白行
            //txtHtml = txtHtml.Replace("\r\n", "");            //过滤掉<span></span>标签
            txtHtml = Regex.Replace(txtHtml, @"<span[^<]*</span>", "", RegexOptions.IgnoreCase);
            //txtHtml = Regex.Replace(txtHtml, @"<span[^>]*?>.*?</span>", "", RegexOptions.IgnoreCase);            ////过滤掉<span></span>标签
            //Regex span = new Regex(@"<span[^<]*</span>", RegexOptions.IgnoreCase);
            //MatchCollection spanColl = span.Matches(txtHtml);
            ////检索span标签到arraylist
            //ArrayList spankey = new ArrayList();
            //for (int i = 0; i < spanColl.Count; i++)
            //{
            //    spankey.Add(spanColl[i].Value);
            //    //System.Windows.Forms.MessageBox.Show(spanColl[i].Value.ToString());
            //}
            ////过滤span
            //for (int i = 0; i < spankey.Count; i++)
            //{
            //    txtHtml = txtHtml.Replace(spankey[i].ToString(), "");
            //    //System.Windows.Forms.MessageBox.Show(spankey[i].ToString());
            //}            //过滤掉style
            Regex style = new Regex(@"<style[^<]*</style>", RegexOptions.IgnoreCase);
            MatchCollection styleColl = style.Matches(txtHtml);
            //检索STYLE脚本到arraylist
            ArrayList stylekey = new ArrayList();
            for (int i = 0; i < styleColl.Count; i++)
            {
                stylekey.Add(styleColl[i].Value);
            }
            //过滤style
            for (int i = 0; i < stylekey.Count; i++)
            {
                txtHtml = txtHtml.Replace(stylekey[i].ToString(), "");
            }            //过滤掉javascript脚本
            Regex java = new Regex(@"<script[^<]*</script>", RegexOptions.IgnoreCase);
            MatchCollection javaColl = java.Matches(txtHtml);
            //检索javascript脚本到arraylist
            ArrayList javakey = new ArrayList();
            for (int i = 0; i < javaColl.Count; i++)
            {
                javakey.Add(javaColl[i].Value);
            }
            //过滤java
            for (int i = 0; i < javakey.Count; i++)
            {
                txtHtml = txtHtml.Replace(javakey[i].ToString(), "");
            }            //过滤掉常规html标签
            Regex r = new Regex(@"<[^<]*>", RegexOptions.IgnoreCase); //定义一个Regex对象实例 
            MatchCollection mc = r.Matches(txtHtml);
            //检索常规html符号集合到arraylist列表
            ArrayList wordkey = new ArrayList();
            for (int i = 0; i < mc.Count; i++) //在输入字符串中找到所有匹配 
            {
                wordkey.Add(mc[i].Value);
            }
            //过滤常规html
            for (int i = 0; i < wordkey.Count; i++)
            {
                txtHtml = txtHtml.Replace(wordkey[i].ToString(), "");
            }
            //---------------------------------            //删除脚本 
            txtHtml = Regex.Replace(txtHtml, @"<script[^>]*?>.*?</script>", "", RegexOptions.IgnoreCase);            //删除HTML 
            //txtHtml = Regex.Replace(txtHtml, @"([\r\n])[\s]+", "", RegexOptions.IgnoreCase); //此处代码删除空白行,但导致段落混乱
            txtHtml = Regex.Replace(txtHtml, @"<(.[^>]*)>", "", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"-->", "", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"<!--.*", "", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"&(quot|#34);", "\"", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"&(amp|#38);", "&", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"&(lt|#60);", "<", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"&(gt|#62);", ">", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"&(nbsp|#160);", " ", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"&(iexcl|#161);", "\xa1", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"&(cent|#162);", "\xa2", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"&(pound|#163);", "\xa3", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"&(copy|#169);", "\xa9", RegexOptions.IgnoreCase);
            txtHtml = Regex.Replace(txtHtml, @"&#(\d+);", "", RegexOptions.IgnoreCase);
            return txtHtml;
        }-----------------------此100分只给完全解决者!

Answer 1

http://blog.csdn.net/dfzone/article/details/4277670

Answer 2

问题已解决:这个代码比较完美.public string HtmlText(string HtmlStr)
{
    System.Windows.Forms.WebBrowser wb = new System.Windows.Forms.WebBrowser();
    wb.Navigate("about:blank");
    wb.Document.Write(HtmlStr);
    return wb.Document.Body.InnerText;
}

Answer 3

就你这个所谓完美的代码，你可以测试下：s = HtmlText("<<b>script</b>>");返回是什么？"<script>"

Answer 4

再看这个：HtmlText("<<b>script</b>>alert('hello');<<b>/</b>script>");输出什么？所以你的想法都是错的。你应该给hrml编码，而不是所谓过滤。

Answer 5

http://topic.csdn.net/u/20111126/13/55f86f32-fb5d-43c4-9682-1e35bf766e77.html