HTML 标签剥离器

• 下载演示项目 - 26.0 KB
• 下载源代码 - 4.2 KB

引言

本文介绍了一种简单的去除HTML标签的方法，类似于PHP的strip_tags()函数。这通常在CMS系统中很有用，您需要在其中存储仅文本版本的文章，例如，以便允许对所有文章进行全文搜索。

背景

在这种情况下，去除标签意味着仅保留HTML文档或HTML片段的可见文本。这意味着排除所有HTML注释以及所有HTML <script>、<style> 和 <noscript> 块。

我还必须提到，从这种去除操作中得到的结果文本可以通过替换命名HTML实体（例如 "、&、©、  等）和未命名的HTML实体（例如 ţ）来进一步处理，并将其替换为相应的字符。只需将方法的相应参数（即 replaceNamedEntities 和 replaceNumberedEntities）设置为 true。但是，请记住，这可能会显著降低执行时间。

Using the Code

此操作仅涉及一种方法。我将其命名为 HtmlStripTags，没有受到任何启发。

• htmlContent：要处理的HTML内容
• replaceNamedEntities：是否替换HTML命名实体，例如   等
• replaceNumberedEntities：是否替换HTML编号实体，即Unicode HTML表示形式，例如 ţ

public static string HtmlStripTags(string htmlContent, 
    bool replaceNamedEntities, bool replaceNumberedEntities)
{
    if (htmlContent == null)
        return null;
    htmlContent = htmlContent.Trim();
    if (htmlContent == string.Empty)
        return string.Empty;

    int bodyStartTagIdx = htmlContent.IndexOf("<body", 
        StringComparison.CurrentCultureIgnoreCase);
    int bodyEndTagIdx = htmlContent.IndexOf("</body>", 
        StringComparison.CurrentCultureIgnoreCase);

    int startIdx = 0, endIdx = htmlContent.Length - 1;
    if (bodyStartTagIdx >= 0)
        startIdx = bodyStartTagIdx;
    if (bodyEndTagIdx >= 0)
        endIdx = bodyEndTagIdx;

    bool insideTag = false,
        insideAttributeValue = false,
        insideHtmlComment = false,
        insideScriptBlock = false,
        insideNoScriptBlock = false,
        insideStyleBlock = false;
    char attributeValueDelimiter = '"';

    StringBuilder sb = new StringBuilder(htmlContent.Length);
    for (int i = startIdx; i <= endIdx; i++)
    {

        // html comment block
        if (!insideHtmlComment)
        {
            if (i + 3 < htmlContent.Length &&
                htmlContent[i] == '<' &&
                ...
                ...
                ...

关注点

为了实现最大性能，我避免使用正则表达式。RegExs 尚未成为 .NET Framework 最强大的部分。此外，我认为此任务足够简单，不需要使用这种通用的工具。我运行了基准测试，将此实现与CodeProject.com上提供的另一种实现进行比较，将HTML转换为纯文本，该实现主要使用正则表达式。我发现，在解析大型HTML内容（80+ KB）时不替换任何HTML实体时，它仍然可以提供5倍的性能提升，即在Intel Core Duo @ 1,83GHz和1GB RAM上约为5微秒。当然，它不如使用正则表达式优雅。我只是最大化了性能。

历史

• 2007年7月18日 -- 发布原始版本
• 2007年11月8日 -- 更新文章内容和下载