最新历史版本 :使用正则表达式删除指定的HTML标签 返回词条

　　抓取某网页的数据后(比如描述)，如果照原样显示的话，可能会因为它里面包含没有闭合的HTML标签而打乱了格式，也可能它里面用了比较让人“费解的HTML标签，把预订的格式搅乱。如果全盘删除里面的HTML标签，可能会造成阅读上的困难(比如a，img这些标签)，最好是删除一部分、保留一部分。

　　正则表达式里判断包含某些字符串是非常容易理解的，但是如何判断“不包含某些字符串”确实是个费解的事。

　　以下表达式用来判断HTML标签不包含　li　/　ul　/　a　/　img　/　br　/　span　/　b　的，就上面的要求来说，是要删除这里列出的HTML标签。

　　<(?!((/?\s?li)|(/?\s?ul)|(/?\s?a)|(/?\s?img)|(/?\s?br)|(/?\s?span)|(/?\s?b)))[^>]+>

　　(?!exp) 匹配后面跟的不是exp的位置

　　/?\s? 我一开始试着把它写到最前面的 < 后面,但是测试失败了。

　　下面是一个简单的函数，把要保留的TAG串起来，生成一个正则表达式，然后把不需要的TAG删除。

　　private static string RemoveSpecifyHtml(string ctx) {
　　　string[] holdTags = { "a", "img", "br", "strong", "b", "span" };//要保留的 tag
　　// <(?!((/?\s?li)|(/?\s?ul)|(/?\s?a)|(/?\s?img)|(/?\s?br)|(/?\s?span)|(/?\s?b)))[^>]+>
　　string regStr = string.Format(@"<(?!((/?\s?{0})))[^>]+>", string.Join(@")|(/?\s?", holdTags));
　　Regex reg = new Regex(regStr, RegexOptions.Compiled | RegexOptions.Multiline | RegexOptions.IgnoreCase);
　　return reg.Replace(ctx, "");
　　}

　　修正：上面的正则表达式，如果保留了 li , 实际运行会发现 link 也给保留下来了, 保留 a 会把 addr 也给保留下来, 解决办法就是加 \b 断言。

　　<(?!((/?\s?li\b)|(/?\s?ul)|(/?\s?a\b)|(/?\s?img\b)|(/?\s?br\b)|(/?\s?span\b)|(/?\s?b\b)))[^>]+>

　　private static string RemoveSpecifyHtml(string ctx) {

　　string[] holdTags = { "a", "img", "br", "strong", "b", "span", "li" };//保留的 tag

　　// <(?!((/?\s?li\b)|(/?\s?ul\b)|(/?\s?a\b)|(/?\s?img\b)|(/?\s?br\b)|(/?\s?span\b)|(/?\s?b\b)))[^>]+>

　　string regStr = string.Format(@"<(?!((/?\s?{0})))[^>]+>", string.Join(@"\b)|(/?\s?", holdTags));

　　Regex reg = new Regex(regStr, RegexOptions.Compiled | RegexOptions.Multiline | RegexOptions.IgnoreCase);

　　return reg.Replace(ctx, "");

　　}