在网页刚流行起来的时候，提取html中的文本有一个简单的方法，就是将html文本（包含标记）中的所有以“<”符号开头到以“>”符号之间的内容去掉即可。
但对于现在复杂的网页而言，用这种方法提取出来的文本会有大量的空格、空行、script段落、还有一些html转义字符，效果很差。
下面用正则表达式来提取html中的文本，
代码的实现的思路是：
a、先将html文本中的所有空格、换行符去掉（因为html中的空格和换行是被忽略的）
b、将<head>标记中的所有内容去掉
c、将<script>标记中的所有内容去掉
d、将<style>标记中的所有内容去掉
e、将td换成空格，tr,li,br,p 等标记换成换行符
f、去掉所有以“<>”符号为头尾的标记去掉。
g、转换&，&nbps等转义字符换成相应的符号
h、去掉多余的空格和空行
代码如下：
using System
using System.Text.RegularExpressions
namespace Kwanhong.Utilities
{
/// <summary>
/// HtmlToText 的摘要说明。
/// </summary>
public class HtmlToText
{
public string Convert(string source)
{
string result
//remove line breaks,tabs
result = source.Replace("\r", " ")
result = result.Replace("\n", " ")
result = result.Replace("\t", " ")
//remove the header
result = Regex.Replace(result, "(<head>).*(</head>)", string.Empty, RegexOptions.IgnoreCase)
result = Regex.Replace(result, @"<( )*script([^>])*>", "<script>", RegexOptions.IgnoreCase)
result = Regex.Replace(result, @"(<script>).*(</script>)", string.Empty, RegexOptions.IgnoreCase)
//remove all styles
result = Regex.Replace(result, @"<( )*style([^>])*>", "<style>", RegexOptions.IgnoreCase)//clearing attributes
result = Regex.Replace(result, "(<style>).*(</style>)", string.Empty, RegexOptions.IgnoreCase)
//insert tabs in spaces of <td>tags
result = Regex.Replace(result, @"<( )*td([^>])*>", " ", RegexOptions.IgnoreCase)
//insert line breaks in places of <br>and <li>tags
result = Regex.Replace(result, @"<( )*br( )*>", "\r", RegexOptions.IgnoreCase)
result = Regex.Replace(result, @"<( )*li( )*>", "\r", RegexOptions.IgnoreCase)
//insert line paragraphs in places of <tr>and <p>tags
result = Regex.Replace(result, @"<( )*tr([^>])*>", "\r\r", RegexOptions.IgnoreCase)
result = Regex.Replace(result, @"<( )*p([^>])*>", "\r\r", RegexOptions.IgnoreCase)
//remove anything thats enclosed inside <>
result = Regex.Replace(result, @"<[^>]*>", string.Empty, RegexOptions.IgnoreCase)
//replace special characters:
result = Regex.Replace(result, @"&", "&", RegexOptions.IgnoreCase)
result = Regex.Replace(result, @" ", " ", RegexOptions.IgnoreCase)
result = Regex.Replace(result, @"<", "<", RegexOptions.IgnoreCase)
result = Regex.Replace(result, @">", ">", RegexOptions.IgnoreCase)
result = Regex.Replace(result, @"&(.{2,6})", string.Empty, RegexOptions.IgnoreCase)
//remove extra line breaks and tabs
result = Regex.Replace(result, @" ( )+", " ")
result = Regex.Replace(result, "(\r)( )+(\r)", "\r\r")
result = Regex.Replace(result, @"(\r\r)+", "\r\n")
return result
}
}//end class
}//end namespace
如何用一个TextView显示两种不同颜色字体的数据，而我又不想创建两个TextView，然后同事给了一个解决的方法：textView.setText(Html.fromHtml("<font size=\"3\" color=\"red\">今天天气好吗？</font><font size=\"3\" color=\"green\">挺好的</font>"))
Html.fromHtml()方法的作用就是将文本框中的数据进行Html格式化，可以大量使用Html来满足各种不同的需求。
Html格式化标签就不多做介绍了，size设置字体大小，color设置字体颜色，支持#FFFFFF这种格式。这样就不需要创建多个textview控件了，哈哈方便吧
当然解析的数据是带Html标签的数据，就用这种方法显示html格式的文本，只是不容易记起这个方法，写篇博客以记之。
修改：经群友提醒，textview显示html时，如果带有style标签，则style标签属性渲染不出来
tv.setText(Html.fromHtml("<h1 style=\"color:bluetext-align:center\">This is a header</h1>\n" +
"<p style=\"color:red\">This is a paragraph.</p>"))
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）