写了个正则表达式过滤html标签，得到网页中的文字，效果不是很好，请大家指点下！！

Question

            regex_str = "( )+";//替换 为空格
            tmpContent = Regex.Replace(tmpContent, regex_str, " ", RegexOptions.IgnoreCase);
            regex_str = "<script type=\\s*[^>]*>[^<]*?</script>";//替换<script>内容</script>为空格
            tmpContent = Regex.Replace(tmpContent, regex_str, "", RegexOptions.IgnoreCase);            regex_str = "<[^<]*>";//替换Html标签为空
            tmpContent = Regex.Replace(tmpContent, regex_str, "", RegexOptions.IgnoreCase);            regex_str = "(\r\n)*";//替换\r\n为空
            tmpContent = Regex.Replace(tmpContent, regex_str, "", RegexOptions.IgnoreCase);            regex_str = "\n*";//替换\n为空
            tmpContent = Regex.Replace(tmpContent, regex_str, "", RegexOptions.IgnoreCase);            regex_str = "\t*";//替换\t为空
            tmpContent = Regex.Replace(tmpContent, regex_str, "", RegexOptions.IgnoreCase);            regex_str = "'";//替换'为’
            tmpContent = Regex.Replace(tmpContent, regex_str, "’", RegexOptions.IgnoreCase);            regex_str = " +";//替换若干个空格为一个空格
            tmpContent = Regex.Replace(tmpContent, regex_str, "  ", RegexOptions.IgnoreCase);

Answer 1

网上有一篇老外写的解析Html源码的例子，不错网址忘了，LZ找找，是带解决方案的源码

Answer 2

 Regex regex = new Regex(@"##");bodyStr = regex.Replace(bodyStr, temp =>
{
string key = temp.Value;
if (dic.ContainsKey(key))
return dic[key];
else
return temp.Value;
}, 99999);dic为字典，bodystr为网页源码

Answer 3

//regex_str = "(&nbsp;)+";//替换&nbsp;为空格
regex_str = "(?i)&nbsp;";//替换&nbsp;为空格
tmpContent = Regex.Replace(tmpContent, regex_str, " ");//regex_str="<script type=\\s*[^>]*>[^<]*?</script>";//替换<script>内容</script>为空格
regex_str = "(?is)<script[^>]*>.*?</script>";//替换<script>内容</script>为空格
tmpContent = Regex.Replace(tmpContent, regex_str, "");//regex_str = "<[^<]*>";//替换Html标签为空
regex_str = "<[^<>]*>";//替换Html标签为空
tmpContent = Regex.Replace(tmpContent, regex_str, "");//regex_str = "(\r\n)*";//替换\r\n为空
regex_str = @"[\r\n]*";//替换\r\n为空
tmpContent = Regex.Replace(tmpContent, regex_str, "", RegexOptions.IgnoreCase);//regex_str = "\n*";//替换\n为空
regex_str = @"\n*";//替换\n为空
tmpContent = Regex.Replace(tmpContent, regex_str, "", RegexOptions.IgnoreCase);//可以这样
regex_str = "\t*";//替换\t为空
tmpContent = Regex.Replace(tmpContent, regex_str, "", RegexOptions.IgnoreCase);//可以
regex_str = "'";//替换'为’
tmpContent = Regex.Replace(tmpContent, regex_str, "’", RegexOptions.IgnoreCase);//可以
regex_str = " +";//替换若干个空格为一个空格
tmpContent = Regex.Replace(tmpContent, regex_str, "  ", RegexOptions.IgnoreCase);其实你这些可以整合写成一个正则的。

Answer 4

//regex_str = "(&nbsp;)+";//替换&nbsp;为空格
regex_str = "(?i)&nbsp;";//替换&nbsp;为空格
tmpContent = Regex.Replace(tmpContent, regex_str, " ");//regex_str="<script type=\\s*[^>]*>[^<]*?</script>";//替换<script>内容</script>为空格
regex_str = "(?is)<script[^>]*>.*?</script>";//替换<script>内容</script>为空格
tmpContent = Regex.Replace(tmpContent, regex_str, "");//regex_str = "<[^<]*>";//替换Html标签为空
regex_str = "<[^<>]*>";//替换Html标签为空
tmpContent = Regex.Replace(tmpContent, regex_str, "");//regex_str = "(\r\n)*";//替换\r\n为空
regex_str = @"[\r\n]*";//替换\r\n为空
tmpContent = Regex.Replace(tmpContent, regex_str, "", RegexOptions.IgnoreCase);//regex_str = "\n*";//替换\n为空
regex_str = @"\n*";//替换\n为空
tmpContent = Regex.Replace(tmpContent, regex_str, "", RegexOptions.IgnoreCase);//可以这样
regex_str = "\t*";//替换\t为空
tmpContent = Regex.Replace(tmpContent, regex_str, "", RegexOptions.IgnoreCase);//可以
regex_str = "'";//替换'为’
tmpContent = Regex.Replace(tmpContent, regex_str, "’", RegexOptions.IgnoreCase);//可以
regex_str = " +";//替换若干个空格为一个空格
tmpContent = Regex.Replace(tmpContent, regex_str, "  ", RegexOptions.IgnoreCase);其实你这些可以整合写成一个正则的。

Answer 5

你写的这些如果替换同一个文本，一下这样是等效的。
string s = "";
Regex reg = new Regex(@"(?is)(?:(&nbsp;|<script[^>]*>.*?</script>| +)|(<[^<>]*>|[\r\n\t]*)|('))");
string result = reg.Replace(s, delegate(Match m)
{
    if (m.Groups[1].Success) return " ";
    else if (m.Groups[2].Success) return "";
    else if (m.Groups[3].Success) return "’";
    else return "";
});