如何擷取html的子字串作為內容摘要

在一些web應用中，如新聞、日誌等需要在其列表中提供摘要資訊，有些cms系統中提供了摘要字段，在新聞發布時手動填寫，但更為便捷的方式是直接擷取內容的前面一段作為摘要資訊。如果內容為純字元型，不帶任何格式，那便好辦，直接取其前n個字元即可，但如果內容為html**，且不一定能保證html**一定符合規範，那便如何是好？

首先，不能直接擷取，因為你可能會失去擷取內容中已有標記的閉合標記，這樣的摘要放在列表中會造成整個頁面的html閉合失常

其次，前n個字元有可能全部是html標記，並非實際內容

再者，如果截斷位置遇到img input等自閉合標籤，需延長至其閉合的位置再截斷

總的來說，不能貿然行事，需要探查敵情，敵情就在於，普通擷取字串實際擷取位置和實際擷取長度為同乙個值，但html內容的擷取位置大於或等於擷取長度，擷取長度應只考慮純文字內容，而擷取位置應將容納了擷取長度內純文字的html標籤字元數也計算在內，於是，有了如下方案：

定義擷取長度、擷取的子字串

在擷取長度》0的情況下，迴圈遍歷html字元:

如果當前字元不處於標籤中: #純內容文字

擷取長度--

擷取的子字串 += 當前字元 #拼積擷取字串

返回擷取的子字串

如此，解決了不會在html標記中間截斷的問題，但未能解決問題1：擷取內容中的標記可能缺失閉合標記，所以上述方案需要能夠同時自動閉合擷取內容中未閉合的標籤，可能有人會問，上述方案中如何判斷當前字元是否在標籤中？呵呵，後面會介紹，先賣個關子。

**電視台準備引進《越獄》，現面向全國公布待選片名（整理版）：

神奇史溝飛

文身迷綜

狐狸河的救贖

大光頭有智慧型

小史快跑

fq總動員

史溝飛和他的獄友

拯救大哥林肯

阿史正傳

八仙打洞

拿什麼來拯救我的老哥

監獄豆腐渣工程帶來的教

育意義——狐狸河監獄越獄事件全程系列跟蹤報道

監獄挖牆party

臥監藏洞

小史和他的7個男人

男人，你的名字叫屎溝飛

我的弟弟會越獄

瘋等等，? htmlagilitypack的自動閉合太不靠譜，還是自己動手吧，html的標籤閉合採取類似棧的先進後出原則，只要按序入棧再出棧，即可計算出需要補全的標記，請繼續看題：

定義擷取長度、擷取的子字串、當前字元是否在html標籤中、左閉合標籤陣列、右閉合標籤陣列

在擷取長度》0的情況下，迴圈遍歷html字元:

如果當前字元為<:

當前字元進入html標籤中

如果當前字元為》:

判斷是開始標籤還是閉合標籤，標籤名稱分別加入左、右閉合標籤中

當前字元移出html標籤中

否則:

如果當前字元在html標籤中:

當前標籤名稱 += 當前字元 #拼積當前標籤名稱

否則: #純內容文字

擷取長度--

擷取的子字串 += 當前字元 #拼積擷取字串

對左右閉合標籤陣列進行比對，左標籤陣列中多出的標籤按照逆序按照html閉合標籤格式拼接至擷取的子字串末尾

返回擷取的子字串

這個邏輯即可滿足前述3個問題，但此時仍有乙個問題，如果本身輸入html內容的各種標籤不符合規範，如何是好？這時候htmlagilitypack就有用武之地了，採用輸入html內容構造乙個htmldocument，然後再writeto輸出，會發現全部標籤已經小寫化，雖然在不合html規範的時候有這樣的標籤出現，但恐怕也是最好的解決辦法了。

文字描述中的各種判斷條件，參考下述c#**

public static string htmlsummary(string content, int length)
; //左標籤陣列、右標籤陣列
content = fixhtml(content);
foreach (var current in content)
else if (current == '>') //當前字元為》，移出html標籤
else
summary += current; //拼積擷取的子字串
}summary = summary.trim();
//從左標籤陣列中移除已閉合的標籤
tagarray.right.count);
while (tagarray.right.count > 0)
//剩餘標籤未閉合，逆序以html閉合標籤格式拼接至擷取的子字串末尾
if (tagarray.left.count > 0)
for (var i = tagarray.left.count - 1; i >= 0; i--)
return summary;
}

**********2012-02-14 14:20**********=

@elgin hou 在測試後發現第46行報錯，經確認檢查，發現是標籤入棧時的判斷有誤已更改第29行，由

else if (!tagname.trim().endswith("/") && !"img|br|input".contains(tagname.tolower()))

更正為else if (!tagname.trim().endswith("/") && !"img|br|input".split('|').contains(tagname.tolower()))

在未改正前，將把『p』、『b』等標籤也排除在外，導致左標籤陣列和右標籤陣列不匹配。

非常感謝@elgin hou，歡迎更多同仁使用和測試，共同完善。

**********2012-02-14 14:55**********=

在我自己試用的過程中發現有未能正常閉合的情況出現，除錯發現第46行，不可簡單從左標籤陣列中直接移除前右標籤陣列長度個元素，因為不一定是這前幾個元素未閉合，應嚴格按照右標籤陣列中標籤出現的順序，進行出棧操作

由tagarray.left.removerange(0, tagarray.right.count);

更改為while (tagarray.right.count > 0)

如何擷取html的子字串作為內容摘要

PHP擷取HTML字串

python字串擷取子串

擷取包含漢字字串的子字串

如何擷取html的子字串作為內容摘要

PHP擷取HTML字串

python字串擷取子串

擷取包含漢字字串的子字串

相關推薦