[转贴】如何将HTML标记去除,保留有用的文本

Text.Css里定义了一个用于文本处理的类,它只有一个静态方法TruncateText(string FullText,int numberofCharacters)
源代码如下:

public static string TruncateText(string fullText, int numberOfCharacters)
        
{
            
string text;
            
if (fullText.Length > numberOfCharacters)
            
{
                
int spacePos = fullText.IndexOf(" ", numberOfCharacters);
                
if (spacePos > -1)
                
{
                    text 
= fullText.Substring(0, spacePos) + "";
                }

                
else
                
{
                    text 
= fullText;
                }

            }

            
else
            
{
                text 
= fullText;
            }

            Regex regexStripHTML 
= new Regex("<[^>]+>",RegexOptions.IgnoreCase|RegexOptions.Compiled);
            text 
= regexStripHTML.Replace(text, " ");
            
return text;
        }
这个静态方法接收两个参数,第一个是要处理的字符串(这个字符串可能是HTML格式的),第二个是要保留多少个字符,处理的过程如下:
1.先判断长度是否大于要保留的字符个数,不大于,则执行第三步
2.如果要处理的字符串长度大于要保留的字符数,从要保留的字符数索引位置开始,查找下一个空格位,然后取出从第一个字符到这个空格位的字符
3.使用正则表达式将字符串中的HTML标记剔除掉
这里有两个小小的技巧:
第一个 int spacepost=fulltext.indexOf(" ",numberOfCharacters)
这 就取出了从某位置往后的第一个空格,这样做的目的是为了断词,例如,要取得25个字符,但是从第23个字符开始出现了一个单词"programe",现在 的问题是,如果你硬取前25个,则会拆掉programe这个词,这里的方法很灵活,把位置延缓到单词的结尾,这样就取得完整些
第二个就是正则表达式"<[^>]+>"这个表达式代表了所有标记,中间的^>意思是除了>以外的所有字符,而且后面的+就限制了<>间必定有一个字符,经过正则表达式的替换,就把取出的字符串中的HTML标记再次剔除了

上面的方法是不错,但是,我觉得不够完美,对于一般性的非段落带格式的HTML文本,他可以处理的很好,因为HTML标记不见了,等于是去除带格式文本的格式,但是,如果是一段带有文本以外标记(如IMG,Button)的字符串,那取出的结果就不尽人意了
这种场景用的非常多,相信许多开发新闻系统的朋友都遇到过,因为我们需要生成新闻的摘要内容
不过,我所建议的方法是,对于摘要性质的内容,最灵活也是最具有扩展性的方法是增加一个摘要栏目和字段,让采编人员可以自由的来录入摘要内容,这样的好处是两方面:一是,摘要内容更准确,二是摘要内容的字数更容易控制,更灵活)
posted @ 2006-03-11 14:34  torome  阅读(472)  评论(0编辑  收藏  举报