抓取某网页的数据后(比如描述)如果照原样显示的话可能会因为它里面包含没有闭合的HTML标签而打乱了格式也可能它里面用了比较让人 费解 的HTML标签把预订的格式搅乱 如果全盘删除里面的 HTML 标签可能会造成阅读上的困难(比如 a img 这些标签) 最好是删除一部分保留一部分
正则表达式里判断 包含某些字符串 是非常容易理解的但是如何判断 不包含某些字符串 (是字符串不是字符是某些不是某个) 确实是个费解的事
<(?!((/?\s?li)|(/?\s?ul)|(/?\s?a)|(/?\s?img)|(/?\s?br)|(/?\s?span)|(/?\s?b)))[^>]+>
这个正则是判断HTML标签不包含 li / ul / a / img / br / span / b 的就上面的要求来说是要 删除 除这里列出的HTML标签这也是我摸索了很长时间才搞出来的
(?!exp) 匹配后面跟的不是exp的位置
/?\s? 我一开始试着把它写到最前面的 < 后面但是测试失败了
下面是一个简单的函数把要保留的TAG串起来生成一个正则表达式然后把不需要的TAG删除
private static string RemoveSpecifyHtml(string ctx) {
string[] holdTags = { a img br strong b span };//要保留的 tag
// <(?!((/?\s?li)|(/?\s?ul)|(/?\s?a)|(/?\s?img)|(/?\s?br)|(/?\s?span)|(/?\s?b)))[^>]+>
string regStr = stringFormat(@<(?!((/?\s?{})))[^>]+> stringJoin(@)|(/?\s? holdTags));
Regex reg = new Regex(regStr RegexOptionsCompiled | RegexOptionsMultiline | RegexOptionsIgnoreCase);
return regReplace(ctx );
}
修正:
上面的正则如果保留了 li 实际运行会发现 link 也给保留下来了 保留 a 会把 addr 也给保留下来 解决办法就是加 \b 断言
<(?!((/?\s?li\b)|(/?\s?ul)|(/?\s?a\b)|(/?\s?img\b)|(/?\s?br\b)|(/?\s?span\b)|(/?\s?b\b)))[^>]+>
private static string RemoveSpecifyHtml(string ctx) {
string[] holdTags = { a img br strong b span li };//保留的 tag
// <(?!((/?\s?li\b)|(/?\s?ul\b)|(/?\s?a\b)|(/?\s?img\b)|(/?\s?br\b)|(/?\s?span\b)|(/?\s?b\b)))[^>]+>
string regStr = stringFormat(@<(?!((/?\s?{})))[^>]+> stringJoin(@\b)|(/?\s? holdTags));
Regex reg = new Regex(regStr RegexOptionsCompiled | RegexOptionsMultiline | RegexOptionsIgnoreCase);
return regReplace(ctx );
}
