HTML Strip功能
[英]HTML Strip Function
問題描述
有一個很難破解的堅果。
我有一個HTML，需要刪除一些標簽，屬性和屬性 。
基本上，要考慮三種不同的方法：
- 字符串操作：遍歷HTML字符串，並通過“手動”字符串操作剝離它
- 正則表達式： 使用RegEx解析HTML是邪惡的。 剝離HTML也是邪惡的嗎？
- 使用庫來剝離它（例如HTML Agility Pack）
我希望我有以下清單：
- acceptedTags（例如SPAN，DIV，OL，LI）
- acceptedAttributes（例如STYLE，SRC）
- 接受的屬性（例如，文本對齊，字體重量，顏色，背景顏色）
我可以傳遞給剝離HTML的此函數。
輸入示例：
<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>
示例輸出（帶有上面的參數列表）：
<DIV STYLE="text-align:Left;"> <SPAN STYLE="font-weight:bold;color:#000000;background-color:#FF0000;">Hello</SPAN>
- 整個標簽正文被剝離（不接受標簽）
- 屬性邊距，字體系列和字體大小已從DIV標簽中剝離
- 從SPAN-Tag中刪除了font-family和font-size屬性。
我嘗試了什么？
乍看之下，正則表達式似乎是最好的方法。 但是我無法使其正常運行。 我看過關於Stackoverflow的文章：
...還有很多。
我嘗試了以下正則表達式：
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，這僅刪除標簽，而沒有屬性或屬性！
我絕對不是在尋找可以完成整個工作的人。 而是為某人指出了我正確的方向。
我對C＃或VB.NET的回答感到滿意。
2 個解決方案
解決方案1
2 已采納 2014-11-18 11:02:28
絕對使用圖書館！ （看這個 ）
有了HTMLAgilityPack，您幾乎可以做任何您想做的事情：
刪除不需要的標簽：
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); } }刪除不需要的屬性並刪除屬性
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); } }
解決方案2
1 2014-11-18 10:11:41
我實際上可能只是將自己寫成一個多步驟過程：
1）排除所有從標記中刪除要刪除的標記的屬性的規則（標記將不會在那里！）
2）遍歷文檔，獲取文檔的副本（不含排除的標記）（即，在您的示例中，將所有內容復制到“ <div”，然后等待直到看到“>”，然后再繼續復制。如果我處於復制模式，並且看到“ ExcludedTag =“，然后停止復制，直到看到引號為止。
在運行此過程之前，您可能需要對html進行一些工作前驗證，並設置相同的格式等，以避免輸出損壞。
哦，分塊復制，即只保留復制索引直到到達復制結束，然后復制整個塊，而不是單個字符！
希望這可以作為起點。
如何在C＃中編寫“ Strip HTML Tags”功能
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.