C#使用for循环移除HTML标记
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：
usingSystem;
usingSystem.Text.RegularExpressions;
///<summary>
///MethodstoremoveHTMLfromstrings.
///</summary>
publicstaticclassHtmlRemoval
{
///<summary>
///RemoveHTMLfromstringwithRegex.
///</summary>
publicstaticstringStripTagsRegex(stringsource)
{
returnRegex.Replace(source,"<.*?>",string.Empty);
}
///<summary>
///Compiledregularexpressionforperformance.
///</summary>
staticRegex_htmlRegex=newRegex("<.*?>",RegexOptions.Compiled);
///<summary>
///RemoveHTMLfromstringwithcompiledRegex.
///</summary>
publicstaticstringStripTagsRegexCompiled(stringsource)
{
return_htmlRegex.Replace(source,string.Empty);
}
///<summary>
///RemoveHTMLtagsfromstringusingchararray.
///</summary>
publicstaticstringStripTagsCharArray(stringsource)
{
char[]array=newchar[source.Length];
intarrayIndex=0;
boolinside=false;
for(inti=0;i<source.Length;i++)
{
charlet=source[i];
if(let=='<')
{
inside=true;
continue;
}
if(let=='>')
{
inside=false;
continue;
}
if(!inside)
{
array[arrayIndex]=let;
arrayIndex++;
}
}
returnnewstring(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：
usingSystem;
usingSystem.Text.RegularExpressions;
classProgram
{
staticvoidMain()
{
conststringhtml="<p>Therewasa<b>.NET</b>programmer"+
"andhestrippedthe<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：
Therewasa.NETprogrammerandhestrippedtheHTMLtags.
Therewasa.NETprogrammerandhestrippedtheHTMLtags.
Therewasa.NETprogrammerandhestrippedtheHTMLtags.
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
RegexPerformance
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。
PerformancetestforHTMLremoval
HtmlRemoval.StripTagsRegex:2404ms
HtmlRemoval.StripTagsRegexCompiled:1366ms
HtmlRemoval.StripTagsCharArray:287ms[最快]
FilelengthtestforHTMLremoval
Filelengthbefore:8085chars
HtmlRemoval.StripTagsRegex:4382chars
HtmlRemoval.StripTagsRegexCompiled:4382chars
HtmlRemoval.StripTagsCharArray:4382chars
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。
Supportedtags
<imgsrc=""/> <imgsrc=""/> <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：
HTMLBrackets:Validation
ValidateXHTML
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毛票票网站的支持！