知识大全 正则表达式删除指定的HTML 标签

Posted 2022-07-21 知

篇首语：好学而不勤问非真好学者。本文由小常识网(cha138.com)小编为大家整理，主要介绍了知识大全 正则表达式删除指定的HTML 标签相关的知识，希望对你有一定的参考价值。

正则表达式删除指定的HTML 标签  以下文字资料是由(全榜网网www.cha138.com)小编为大家搜集整理后发布的内容，让我们赶快一起来看一下吧！

　　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 = string Format(@ <(?!((/?\\s? )))[^>]+> string Join(@ )|(/?\\s? holdTags));

　　Regex reg = new Regex(regStr RegexOptions Compiled | RegexOptions Multiline | RegexOptions IgnoreCase);

　　return reg Replace(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 = string Format(@ <(?!((/?\\s? )))[^>]+> string Join(@ \\b)|(/?\\s? holdTags));

　　Regex reg = new Regex(regStr RegexOptions Compiled | RegexOptions Multiline | RegexOptions IgnoreCase);

　　return reg Replace(ctx );

相关参考