c# 正则表达式对网页进行内容抓取_.docx
版权申诉
137 浏览量
2021-12-05
18:28:17
上传
评论
收藏 13KB DOCX 举报
c# 正则表达式对网页进行内容抓取_
搜索引擎中一个比较重要的环节就是从网页中抽取
出有效内容。简洁来说，就是吧 HTML 文本中的 HTML 标
记去掉,留下我们用 IE 等扫瞄器打开 HTML 文档看到的部分
（我们这里不考虑图片）.
将 HTML 文本中的标记分为:说明,script ,style，以及其
他标记分别去掉：
1.去说明,正则为:
output = Regex.Replace(input, @"!--[^-]*--",
string.Empty, RegexOptions.IgnoreCase);
2.去 script,正则为:
ouput = Regex.Replace(input,
@"script[^]*?.*?/script", string.Empty,
RegexOptions.IgnoreCase |
RegexOptions.Singleline);
output2 = Regex.Replace(ouput ,
@"noscript[^]*?.*?/noscript", string.Empty,
RegexOptions.IgnoreCase |
RegexOptions.Singleline);
3.去 style,正则为:
资源评论
lsadm1982
- 粉丝: 1
- 资源: 25万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
最新资源
- pta题库答案c语言之排序4统计工龄.zip
- pta题库答案c语言之树结构7堆中的路径.zip
- pta题库答案c语言之树结构3TreeTraversalsAgain.zip
- pta题库答案c语言之树结构2ListLeaves.zip
- pta题库答案c语言之树结构1树的同构.zip
- 基于C++实现民航飞行与地图简易管理系统可执行程序+说明+详细注释.zip
- pta题库答案c语言之复杂度1最大子列和问题.zip
- 三维装箱问题（Three-Dimensional Bin Packing Problem,3D-BPP）是一个经典的组合优化问题
- 以下是一些关于Linux线程同步的基本概念和方法.txt
- 以下是一个简化的示例，它使用pygame库来模拟烟花动画的框架.txt
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
