HTML Strip功能
[英]HTML Strip Function
问题描述
有一个很难破解的坚果。
我有一个HTML，需要删除一些标签，属性和属性 。
基本上，要考虑三种不同的方法：
- 字符串操作：遍历HTML字符串，并通过“手动”字符串操作剥离它
- 正则表达式： 使用RegEx解析HTML是邪恶的。 剥离HTML也是邪恶的吗？
- 使用库来剥离它（例如HTML Agility Pack）
我希望我有以下清单：
- acceptedTags（例如SPAN，DIV，OL，LI）
- acceptedAttributes（例如STYLE，SRC）
- 接受的属性（例如，文本对齐，字体重量，颜色，背景颜色）
我可以传递给剥离HTML的此函数。
输入示例：
<BODY STYLE="font-family:Tahoma;font-size:11;"> <DIV STYLE="margin:0 0 0 0;text-align:Left;font-family:Tahoma;font-size:16;"> <SPAN STYLE="font-weight:bold;color:#000000;background-color:#FF0000;font-family:tahoma;font-size:11;">Hello</SPAN></BODY>
示例输出（带有上面的参数列表）：
<DIV STYLE="text-align:Left;"> <SPAN STYLE="font-weight:bold;color:#000000;background-color:#FF0000;">Hello</SPAN>
- 整个标签正文被剥离（不接受标签）
- 属性边距，字体系列和字体大小已从DIV标签中剥离
- 从SPAN-Tag中删除了font-family和font-size属性。
我尝试了什么？
乍看之下，正则表达式似乎是最好的方法。 但是我无法使其正常运行。 我看过关于Stackoverflow的文章：
...还有很多。
我尝试了以下正则表达式：
Dim AcceptableTags As String = "font|span|html|i|b|u|sup|sub|ol|ul|li|br|h2|h3|h4|h5|span|div|p|a|img|blockquote"
Dim WhiteListPattern As String = "</?(?(?=" & AcceptableTags & _
")notag|[a-zA-Z0-9]+)(?:\s[a-zA-Z0-9\-]+=?(?:([""']?).*?\1?)?)*\s*/?>"
Dim Html as String = Regex.Replace(b.HTML, WhiteListPattern, "", RegexOptions.Compiled)
但是，这仅删除标签，而没有属性或属性！
我绝对不是在寻找可以完成整个工作的人。 而是为某人指出了我正确的方向。
我对C＃或VB.NET的回答感到满意。
2 个解决方案
解决方案1
2 已采纳 2014-11-18 11:02:28
绝对使用图书馆！ （看这个 ）
有了HTMLAgilityPack，您几乎可以做任何您想做的事情：
删除不需要的标签：
string[] allowedTags = {"SPAN", "DIV", "OL", "LI"}; foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//node()")) { if (!allowedTags.Contains(node.Name.ToUpper())) { HtmlNode parent = node.ParentNode; parent.RemoveChild(node,true); } }删除不需要的属性并删除属性
string[] allowedAttributes = { "STYLE", "SRC" }; foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//node()")) { List<HtmlAttribute> attributesToRemove = new List<HtmlAttribute>(); foreach (HtmlAttribute att in node.Attributes) { if (!allowedAttributes.Contains(att.Name.ToUpper())) attributesToRemove.Add(att); else { string newAttrib = string.Empty; //do string manipulation based on your checking accepted properties //one way would be to split the attribute.Value by a semicolon and do a //String.Contains() on each one, not appending those that don't match. Maybe //use a StringBuilder instead too att.Value = newAttrib; } } foreach (HtmlAttribute attribute in attributesToRemove) { node.Attributes.Remove(attribute); } }
解决方案2
1 2014-11-18 10:11:41
我实际上可能只是将自己写成一个多步骤过程：
1）排除所有从标记中删除要删除的标记的属性的规则（标记将不会在那里！）
2）遍历文档，获取文档的副本（不含排除的标记）（即，在您的示例中，将所有内容复制到“ <div”，然后等待直到看到“>”，然后再继续复制。如果我处于复制模式，并且看到“ ExcludedTag =“，然后停止复制，直到看到引号为止。
在运行此过程之前，您可能需要对html进行一些工作前验证，并设置相同的格式等，以避免输出损坏。
哦，分块复制，即只保留复制索引直到到达复制结束，然后复制整个块，而不是单个字符！
希望这可以作为起点。
如何在C＃中编写“ Strip HTML Tags”功能
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.