logo标签列表

如何使用正则表达式将HTML中的空行转换为纯文本？

c#regexnopcommerce
3

我正在使用正则表达式将HTML转换为纯文本。

您能帮我使用正则表达式去除空行吗？

我的HTML代码如下：

<div class="short-description">
<div class="short-description">
<div class="short-description">
<div class="short-description">
<div class="short-description">
<div class="short-description">
<div class="short-description">
<div class="short-description">
<div class="short-description">
<ul style="margin: 0px; padding: 0px; font-family: Tahoma, Verdana; color: #000000; font-size: 13px; font-style: normal; font-variant: normal; font-weight: normal; letter-spacing: normal; line-height: normal; orphans: auto; text-align: start; text-indent: 0px; text-transform: none; white-space: normal; widows: 1; word-spacing: 0px; -webkit-text-stroke-width: 0px; background-color: #ffffff;">
<li style="margin: 0px; padding: 0px; font-family: Tahoma, Verdana !important;">Processor: Intel® Xeon® E5-2403 1.80GHz, 10M Cache, 6.4GT/s QPI, No Turbo, 4C, 80W, Max Mem 1066MHz</li>
<li style="margin: 0px; padding: 0px; font-family: Tahoma, Verdana !important;">Memory:&nbsp; 8GB (4x2GB) 1333MHz, Single Ranked LV RDIMMs up to 16GB</li>
<li style="margin: 0px; padding: 0px; font-family: Tahoma, Verdana !important;">Hard Drive: 1TB 7.2K RPM NL SAS 3.5-inch Hot Plug</li>
<li style="margin: 0px; padding: 0px; font-family: Tahoma, Verdana !important;">Storage Controller: H310 raid controller Support RAID 0, 1, 5, 10</li>
<li style="margin: 0px; padding: 0px; font-family: Tahoma, Verdana !important;">File Access Protocols: CIFS, NFS, FTP, SMB3.0, SMB Direct (RDMA)</li>
<li style="margin: 0px; padding: 0px; font-family: Tahoma, Verdana !important;">Internal Drive Support: 4 x 3.5" hot-plug drive bays</li>
<li style="margin: 0px; padding: 0px; font-family: Tahoma, Verdana !important;">Power: 1 x 550W Power Supply (redundant)</li>
<li style="margin: 0px; padding: 0px; font-family: Tahoma, Verdana !important;">OS: Window Storage 2008 Workgroup R2 Edition</li>
<li style="margin: 0px; padding: 0px; font-family: Tahoma, Verdana !important;">Form Factor 1U rack mount system</li>
<li style="margin: 0px; padding: 0px; font-family: Tahoma, Verdana !important;">Warranty: 3 Year ProSupport and NBD On-site Service</li>
</ul>
</div>
</div>
</div>
</div>
</div>
</div>
</div>
</div>
                            </div>

我的正则表达式：

Regex.Replace(Model.MetaDescription, @"<(.|\n)*?>","")

这个结果（图片）： Result regex.replace 如下图所示： Result regex.replace
你所说的“line blank”是什么意思？你的意思是换行符吗？ - Ghasem
是的，我想要删除空内容的换行符。 - TRI ÂN
这是实时代码：http://regexr.com/3cmmi - TRI ÂN
不要使用RegEx处理HTML。RegEx是用于正则语言而HTML并不是其中之一。你应该使用HtmlAgilityPack来解析HTML。 - Enigmativity
3个回答
1
正如此处所提到的那样，您可以使用免费且开源的HtmlAgilityPack。请查看示例。

a method that converts from HTML to plain text.

var plainText = ConvertToPlainText(string html);

Feed it an HTML string like

<b>hello world!</b><br /><i>it is me! !</i>

And you'll get a plain text result like:

hello world!
it is me!
0
不要在HTML中使用正则表达式。正则表达式是针对常规语言的，而HTML不是。你应该使用HtmlAgilityPack来解析HTML。
这样做非常简单：
var document = new HtmlAgilityPack.HtmlDocument();
document.LoadHtml(html);

string[] lines =
    document
        .DocumentNode
        .Descendants("li")
        .Select(x => System.Net.WebUtility.HtmlDecode(x.InnerText))
        .ToArray();

string text = String.Join(Environment.NewLine, lines);

我得到的信息如下：

处理器：Intel® Xeon® E5-2403 1.80GHz，10M缓存，6.4GT/s QPI，无Turbo，4C，80W，最大内存1066MHz
内存：8GB（4x2GB）1333MHz，单排LV RDIMMs，最高可达16GB
硬盘：1TB 7.2K RPM NL SAS 3.5英寸热插拔硬盘
存储控制器：H310 RAID控制器，支持RAID 0、1、5、10
文件访问协议：CIFS、NFS、FTP、SMB3.0、SMB Direct（RDMA）
内部驱动器支持：4个3.5英寸热插拔驱动器托架
电源：1个550W电源（冗余）
操作系统：Window Storage 2008 Workgroup R2版
机箱形式：1U机架式系统
保修：3年ProSupport和NBD现场服务
0
如果我理解你的问题，你想要删除尖括号<>之间的任何内容，并且还要删除换行符，那么可以尝试使用以下正则表达式。
@"<[^>]*>|\n"

然而，正如Alex Jolig所建议的那样，请使用HTML Agility Pack。
@"<.*>|\n" also remove text, - TRI ÂN
结果是这些行顶部和底部都是空白的，我想要去掉它们，保留文本。 - TRI ÂN
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接