移除一段文字中的HTML标记，以消除其中包含的样式和段落等，最常用的办法可能就是正则表达式了。但是请注意，正则表达式并不能处理所有的HTML文档，所以有时采用一个迭代的方式会更好，如for循环。
看下面的代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
|
using System;using System.Text.RegularExpressions;/// <summary>/// Methods to remove HTML from strings./// </summary>public static class HtmlRemoval{/// <summary>/// Remove HTML from string with Regex./// </summary>public static string StripTagsRegex(string source){return Regex.Replace(source, "<.*?>", string.Empty);}/// <summary>/// Compiled regular expression for performance./// </summary>static Regex _htmlRegex = new Regex("<.*?>", RegexOptions.Compiled);/// <summary>/// Remove HTML from string with compiled Regex./// </summary>public static string StripTagsRegexCompiled(string source){return _htmlRegex.Replace(source, string.Empty);}/// <summary>/// Remove HTML tags from string using char array./// </summary>public static string StripTagsCharArray(string source){char[] array = new char[source.Length];int arrayIndex = 0;bool inside = false;for (int i = 0; i < source.Length; i++){char let = source[i];if (let == '<'){inside = true;continue;}if (let == '>'){inside = false;continue;}if (!inside){array[arrayIndex] = let;arrayIndex++;}}return new string(array, 0, arrayIndex);}} |
代码中提供了两种不同的方式来移除给定字符串中的HTML标记，一个是使用正则表达式，一个是使用字符数组在for循环中进行处理。来看一下测试的结果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
using System;using System.Text.RegularExpressions;class Program{static void Main(){const string html = "<p>There was a <b>.NET</b> programmer " +"and he stripped the <i>HTML</i> tags.</p>";Console.WriteLine(HtmlRemoval.StripTagsRegex(html));Console.WriteLine(HtmlRemoval.StripTagsRegexCompiled(html));Console.WriteLine(HtmlRemoval.StripTagsCharArray(html));}} |
输出结果如下：
There was a .NET programmer and he stripped the HTML tags.
There was a .NET programmer and he stripped the HTML tags.
There was a .NET programmer and he stripped the HTML tags.
上述代码中分别调用了HtmlRemoval类中的三个不同的方法，均返回了相同的结果，即去除了给定字符串中的HTML标记。推荐使用第二种方法，即直接引用一个预先定义好的RegexOptions.Compiled的正则表达式对象，它比第一种方法速度更快。但是RegexOptions.Compiled有一些缺点，在某些情况下它的启动时间会增加数十倍。具体的内容可以查看下面这两篇文章：
RegexOption.Compiled
Regex Performance
通常，正则表达式的执行效率并不是最高的，所以HtmlRemoval类中给定了另一种方法，使用字符数组来处理字符串。测试程序提供了1000个HTML文件，每个HTML文件中有大约8000个字符，所有的文件均通过File.ReadAllText方式进行读取，测试结果显示字符数组的方式执行速度是最快的。
Performance test for HTML removal
HtmlRemoval.StripTagsRegex: 2404 ms
HtmlRemoval.StripTagsRegexCompiled: 1366 ms
HtmlRemoval.StripTagsCharArray: 287 ms [最快]
File length test for HTML removal
File length before: 8085 chars
HtmlRemoval.StripTagsRegex: 4382 chars
HtmlRemoval.StripTagsRegexCompiled: 4382 chars
HtmlRemoval.StripTagsCharArray: 4382 chars
所以，使用字符数组来处理大批量的文件时可以节省时间。在字符数组方法中，仅仅只是将非HTML标记的字符添加到数组缓冲区，为了提高效率，它使用字符数组和一个新的字符串构造器来接收字符数组和范围，这个会比使用StringBuilder速度更快。
对于自关闭的HTML标记
在XHTML中，某些标记并不具有独立的关闭标签，如<br/>，<img/>等。上述代码应该能够正确处理自关闭的HTML标记。下面是一些支持的HTML标记，注意，正则表达式方法可能无法正确处理无效的HTML标记。
Supported tags
|
1
2
3
4
5
6
|
<img src="" /><img src=""/><br /><br/>< div ><!-- --> |
HTML文档中的注释
本文给出的代码对移除HTML文档注释中的HTML标记可能会失效。有些时候，注释中可能会包含一些无效的HTML标记，在处理时这些HTML标记不会被完全移除。但是，扫描这些不正确的HTML标记有时可能是必要的。
如何验证
有许多种方法可以用来验证XHTML，我们可以采用和上面代码相同的方式来进行迭代。一个简单的方法是对'<'和'>'进行计数，从而确定它们是否匹配，或者采用正则表达式进行匹配。这里有一些资源介绍了这些方法：
HTML Brackets: Validation
Validate XHTML
有许多方法都可以用来去除给定字符串中的HTML标记，它们返回的结果也都是正确的。毫无疑问，采用字符数组进行迭代的效率最高。
以上所述是小编给大家介绍的C#使用for循环移除HTML标记 ，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对服务器之家网站的支持！
原文链接：http://www.cnblogs.com/jaxu/p/3682042.html
