asp.net正则表达式过滤标签和数据提取

无论什么语言，正则表达式的处理方法都是非常灵活、高效的，尤其是对某些字符串的抓取、过滤方面，更显其优势。

正则表达式的写法通常比较简单，几行短代码便能轻松完成看似很复杂的事情，更值得称赞的是，它的执行效率非常高，运行速度相当快。因此我在项目的开发中，通常把正则表达式作为处理问题的首选方法。

正则表达式的运用，在各种语言里都是相通的，也就是说，当你懂得在PHP中使用正则表达式，那么在任何一种语言中也能轻驾就熟。

这里给出两个asp.net实例。

1、asp.net正则表达式提取网址、标题、图片等

例如，有如下的字符串：

<li><a href="http://www.114s.cn"   title="114生活网"><span class="article-date">[11/11]</span>114生活网</a></li>

现在，需要提取 href 后面的网址，[]内的日期，和 链接的文字。

asp.net的实现方式如下：

string strHTML = "<li><a href=\http://www.114s.cn\   title=\"114生活网\"><span class=\"article-date\">[14/11]</span>114生活网</a></li>";

string pattern = "http://([^\\s]+)\".+?span.+?\\[(.+?)\\].+?>(.+?)<";
Regex reg = new Regex( pattern, RegexOptions.IgnoreCase );

MatchCollection mc = reg.Matches( strHTML );
if (mc.Count > 0)
{
    foreach (Match m in mc)
    {
        Console.WriteLine( m.Groups[1].Value );
        Console.WriteLine( m.Groups[2].Value );
        Console.WriteLine( m.Groups[3].Value );
    }
}

2、asp.net正则表达式删除HTML代码

public static string NoHTML(string Htmlstring)  //替换HTML标记
{
    //删除脚本
    Htmlstring = Regex.Replace(Htmlstring, @"<script[^>]*?>.*?</script>", "", RegexOptions.IgnoreCase);
    //删除HTML
    Htmlstring = Regex.Replace(Htmlstring, @"<(.[^>]*)>", "", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"([\r\n])[\s]+", "", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"-->", "", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"<!--.*", "", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"&(quot|#34);", "\"", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"&(amp|#38);", "&", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"&(lt|#60);", "<", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"&(gt|#62);", ">", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"&(nbsp|#160);", " ", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"&(iexcl|#161);", "\xa1", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"&(cent|#162);", "\xa2", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"&(pound|#163);", "\xa3", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"&(copy|#169);", "\xa9", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"&#(\d+);", "", RegexOptions.IgnoreCase);
    Htmlstring = Regex.Replace(Htmlstring, @"<img[^>]*>;", "", RegexOptions.IgnoreCase);
    Htmlstring.Replace("<", "");
    Htmlstring.Replace(">", "");
    Htmlstring.Replace("\r\n", "");
    Htmlstring = HttpContext.Current.Server.HtmlEncode(Htmlstring).Trim();
    return Htmlstring;
}

知识扩展

正则表达式语法

一个正则表达式就是由普通字符（例如字符 a 到 z）以及特殊字符（称为元字符）组成的文字模式。该模式描述在查找文字主体时待匹配的一个或多个字符串。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。

这里有一些可能会遇到的正则表达式示例：

下表是元字符及其在正则表达式上下文中的行为的一个完整列表：