C#实现过滤HTML代码的函数

ZDNet软件频道　时间：2008-07-18　作者： | 　我要评论()
本文关键词：过滤 HTML 实用教程 C# Windows

用C#写了一段正则表达式，作用是删除Page里面Code中的HTML标签，这在做采集信息，消除其中的HTML时，很有用处。

public string checkStr(string HTML) 
  { 
    System.Text.RegularExpressions.Regex regex1 =

      new System.Text.RegularExpressions.Regex(@"<script[sS]+</script *>",

      System.Text.RegularExpressions.RegexOptions.IgnoreCase); 
    System.Text.RegularExpressions.Regex regex2 =

      new System.Text.RegularExpressions.Regex(@" href *= *[sS]*script *:",

      System.Text.RegularExpressions.RegexOptions.IgnoreCase); 
    System.Text.RegularExpressions.Regex regex3 =

      new System.Text.RegularExpressions.Regex(@" no[sS]*=",

      System.Text.RegularExpressions.RegexOptions.IgnoreCase); 
    System.Text.RegularExpressions.Regex regex4 =

      new System.Text.RegularExpressions.Regex(@"<iframe[sS]+</iframe *>",

      System.Text.RegularExpressions.RegexOptions.IgnoreCase); 
    System.Text.RegularExpressions.Regex regex5 =

      new System.Text.RegularExpressions.Regex(@"<frameset[sS]+</frameset *>",

      System.Text.RegularExpressions.RegexOptions.IgnoreCase); 
    System.Text.RegularExpressions.Regex regex6 =

      new System.Text.RegularExpressions.Regex(@"<img[^>]+>",

      System.Text.RegularExpressions.RegexOptions.IgnoreCase);  
    System.Text.RegularExpressions.Regex regex7 =

      new System.Text.RegularExpressions.Regex(@"</p>",

      System.Text.RegularExpressions.RegexOptions.IgnoreCase); 
    System.Text.RegularExpressions.Regex regex8 =

      new System.Text.RegularExpressions.Regex(@"<p>",

      System.Text.RegularExpressions.RegexOptions.IgnoreCase); 
    System.Text.RegularExpressions.Regex regex9 =

      new System.Text.RegularExpressions.Regex(@"<[^>]*>",

      System.Text.RegularExpressions.RegexOptions.IgnoreCase); 
    HTML = regex1.Replace(HTML, ""); //过滤<script></script>标记 
    HTML = regex2.Replace(HTML, ""); //过滤href=javascript: (<A>) 属性 
    HTML = regex3.Replace(HTML, " _disibledevent="); //过滤其它控件的on...事件 
    HTML = regex4.Replace(HTML, ""); //过滤iframe 
    HTML = regex5.Replace(HTML, ""); //过滤frameset 
    HTML = regex6.Replace(HTML, ""); //过滤frameset 
    HTML = regex7.Replace(HTML, ""); //过滤frameset 
    HTML = regex8.Replace(HTML, ""); //过滤frameset 
    HTML = regex9.Replace(HTML, ""); 
    HTML = HTML.Replace(" ", ""); 
    HTML = HTML.Replace("</strong>", ""); 
    HTML = HTML.Replace("<strong>", ""); 
    return HTML; 
}