移除一段文字中的HTML标记，以消除其中包含的样式和段落等，最常用的办法可能就是正则表达式了。但是请注意，正则表达式并不能处理所有的HTML文档，所以有时采用一个迭代的方式会更好，如for循环。
看下面的代码：
using System;
using System.Text.RegularExpressions;
/// <summary>
/// Methods to remove HTML from strings.
/// </summary>
public static class HtmlRemoval
{
/// <summary>
/// Remove HTML from string with Regex.
/// </summary>
public static string StripTagsRegex(string source)
{
return Regex.Replace(source, "<.*?>", string.Empty);
}
/// <summary>
/// Compiled regular expression for performance.
/// </summary>
static Regex _htmlRegex = new Regex("<.*?>", RegexOptions.Compiled);
/// <summary>
/// Remove HTML from string with compiled Regex.
/// </summary>
public static string StripTagsRegexCompiled(string source)
{
return _htmlRegex.Replace(source, string.Empty);
}
/// <summary>
/// Remove HTML tags from string using char array.
/// </summary>
public static string StripTagsCharArray(string source)
{
char[] array = new char[source.Length];
int arrayIndex = 0;
bool inside = false;
for (int i = 0; i < source.Length; i++)
{
char let = source[i];
if (let == '<')
{
inside = true;
continue;
}
if (let == '>')
{
inside = false;
continue;
}
if (!inside)
{
array[arrayIndex] = let;
arrayIndex++;
}
}
return new string(array, 0, arrayIndex);
}
}
代码中提供了两种不同的方式来移除给定字符串中的HTML标记，一个是使用正则表达式，一个是使用字符数组在for循环中进行处理。来看一下测试的结果：
using System;
using System.Text.RegularExpressions;
class Program
{
static void Main()
{
const string html = "<p>There was a <b>.NET</b> programmer " +
"and he stripped the <i>HTML</i> tags.</p>";
Console.WriteLine(HtmlRemoval.StripTagsRegex(html));
Console.WriteLine(HtmlRemoval.StripTagsRegexCompiled(html));
Console.WriteLine(HtmlRemoval.StripTagsCharArray(html));
}
}
输出结果如下：
There was a .NET programmer and he stripped the HTML tags.
There was a .NET programmer and he stripped the HTML tags.
There was a .NET programmer and he stripped the HTML tags.
上述代码中分别调用了HtmlRemoval类中的三个不同的方法，均返回了相同的结果，即去除了给定字符串中的HTML标记。推荐使用第二种方法，即直接引用一个预先定义好的RegexOptions.Compiled的正则表达式对象，它比第一种方法速度更快。但是RegexOptions.Compiled有一些缺点，在某些情况下它的启动时间会增加数十倍。具体的内容可以查看下面这两篇文章：
RegexOption.Compiled
Regex Performance
通常，正则表达式的执行效率并不是最高的，所以HtmlRemoval类中给定了另一种方法，使用字符数组来处理字符串。测试程序提供了1000个HTML文件，每个HTML文件中有大约8000个字符，所有的文件均通过File.ReadAllText方式进行读取，测试结果显示字符数组的方式执行速度是最快的。
