如何刪除兩個單詞之間的字符串

Question

我使用下面的代碼行下載網頁，

WebRequest request = WebRequest.Create(strURL);
WebResponse response = request.GetResponse();
Stream data = response.GetResponseStream();

string html = String.Empty;
using (StreamReader sr = new StreamReader(data))
{
  html = sr.ReadToEnd();
}

然后從這里我提取身體部分如下：

int nBodyStart = downloadString.IndexOf("<body");
int nBodyEnd = downloadString.LastIndexOf("</body>");
String strBody = downloadString.Substring(nBodyStart, (nBodyEnd - nBodyStart + 7));

現在我想刪除身體部分附帶的任何javascript，我該怎么做？

我的目標是獲取網頁的唯一內容。 但由於每個頁面可能有不同的方法，所以我試圖刪除任何js標簽，然后使用以下RegEx刪除任何HTML標簽

Regex.Replace(strBody, @"<[^>]+>|&nbsp;", "").Trim();

但我不知道如何刪除腳本標簽之間的js，因為腳本可能是多行或單行。

提前致謝。

Answer 1

你可以使用HtmlAgilityPack

WebRequest request = WebRequest.Create(strURL);
WebResponse response = request.GetResponse();
Stream data = response.GetResponseStream();

string html = String.Empty;
using (StreamReader sr = new StreamReader(data))
{
  html = sr.ReadToEnd();
}

HtmlAgilityPack.HtmlDocument document = new HtmlAgilityPack.HtmlDocument();
document.LoadHtml(html);

// to remove all tags 
var result = document.DocumentNode.InnerText;

// to remove script tags inside body 
document.DocumentNode.SelectSingleNode("//body").Descendants()
                .Where(n => n.Name == "script")
                .ToList()
                .ForEach(n => n.Remove());

Answer 2

要匹配腳本標記（包括對的內部），請使用以下命令：

<script[^>]*>(.*?)</script>

要匹配所有HTML標記（但不匹配內部），您可以使用：

</?[az][a-z0-9]*[^<>]*>

---

我剛才意識到你可能也想刪除樣式標簽：

<style[^>]*>(.*?)</style>

---

完整的正則表達式字符串：

<script[^>]*>(.*?)</script>|<style[^>]*>(.*?)</style>|</?[az][a-z0-9]*[^<>]*>|<[^>]+>|&nbsp;