Supprimer le code html dans un texte sans expression régulière

Question

Je travaille dans l'indexation de flux à partir d'Internet. Je voudrais supprimer le code html qui apparaît dans certains d'entre eux. J'ai utilisé l'expression régulière pour ceux que j'ai vus, mais je voudrais trouver un moyen de tous les supprimer automatiquement, car je ne sais pas si j'ai vu tout le code html possible dans mes flux. Y a-t-il une possibilité? ajouter un exemple de choses que je voudrais supprimer: /0831/oly_g_liukin_576.jpg » height = "49" width = "41"/> BEIJING - 15 août: Nastia Liukin du ...

Answer 1

En C# il pourrait ressembler (il supprimera les balises HTML) ceci:

public static String RemoveHtmlTagsFromString(String source) 
{ 
    char[] array = new char[source.Length]; 
    int arrayIndex = 0; 
    bool inside = false; 

    foreach (char let in source) 
    { 
     if (let == '<') 
     { 
      inside = true; 
      continue; 
     } 

     if (let == '>') 
     { 
      inside = false; 
      continue; 
     } 

     if (!inside) 
     { 
      array[arrayIndex] = let; 
      arrayIndex++; 
     } 
    } 
    return new string(array, 0, arrayIndex); 
} 

Answer 2

Utilisez l'utilitaire Jsoup, très bon util pour dépouiller le code HTML d'une chaîne

http://jsoup.org/cookbook/cleaning-html/whitelist-sanitizer