C#でタグを削除する方法

質問

htmlファイルをtextBoxに読み込んで、その中にあるタグのみを正規表現で削除したいです。

FileStream file = File.Open
( @"c:\test.html", FileMode.Open );

Encoding enc = Encoding.GetEncoding("Shift_JIS");
reader = new StreamReader( file ,enc);
StringBuilder text = new StringBuilder();

while(reader.Peek() != -1)
{
　　string A = reader.ReadLine().ToString();

　　A = Regex.Replace(A,@"<(([^>]|\n)*)>","");
　　text.Append(A);
}

textBox1.Text = text.ToString();

とすると、ある程度のタグは削除できるんですが、<DIV
などの大文字で書かれたタグが削除できませんでした。
解る方いらっしょいましたら宜しくお願いします。

回答No.1

sakuhat · ベストアンサー

<DIV ってなってますけど
<DIV
　　align="center">
みたいに改行が入っているタグでしょうか？

1行ずつでないなら <([^>]|\n)*>で置換できます。
1行ずつやるなら (<[^>]*>|<[^>]*$|^[^<]*>) でしょうかね。

ただし両方ともタグ以外に「<」、「>」が使われていないことを前提にしてますけど・・・
もっといい方法があるかもしれません。

お礼

1行ずつ出ない方法で全てのタグが削除されました。
ありがとうございました。後は以外の文が取り除ければ
OKなんですが・・・。
解りましたら宜しくお願いします。
BODY { FONT-FAMILY: ヒラギノ明3-Leaf外字付等幅,"ＭＳ Ｐ明朝"}B { FONT-FAMILY: ヒラギノ角5-Leaf外字付等幅,"ＭＳ Ｐゴシック"}H2 { FONT-FAMILY: ヒラギノ角5-Leaf外字付等幅,"ＭＳ Ｐゴシック"}.oubun { FONT-FAMILY: Century,Times New Roman,"ＭＳ Ｐ明朝"}RUBY { WORD-SPACING: -5px}

補足

残ってしまうタグは、<DIV style="MARGIN-LEFT: 1em; TEXT-INDENT: -1em">　や　<SPAN style="BACKGROUND: #afafaf">　や <FONT　color=red>　が残っています。

回答No.3

sakuhat

<style(※)*</style>
※「に</style>を含まない」正規表現を入れる

で置換くらいしか自分には思いつかないです・・・

文字列を含まない正規表現
http://www.axis.t.u-tokyo.ac.jp/~shunak/memo/regc.html

きちんとやるにはやはりBLUEPIXYさんの言うようにしなくてはなりませんね。
私は以前にブラウザのタグをすべて取得して属性などの変更をする
ツールを作ったときはMSHTMLを使いました。

VC#のやり方ですけどこちらをどうぞ
http://www.microsoft.com/japan/msdn/academic/Articles/fun/02/

もっと詳しいサイトがあったのですが
そのサイトがどこにあるかわからなくなってしまいました・・・

あと、気になったのですが1行ずつ読み込んで改行コードが消えているので
text.Append(A);の後に
text.Append("\n");を入れたほうがよいと思います。
改行無しでよいならそれでも構わないのですけど。

参考URL：

http://www.microsoft.com/japan/msdn/academic/Articles/fun/02/

お礼

いろいろとアドバスありがとうございました。
今後とも宜しくお願いします。

補足

A = Regex.Replace(A,@">",">\r\n");
A = Regex.Replace(A,@"<(([^>]|\n)*)>","");
として改行するようにはしてます。"\r\n" としないと改行されないのでこうしてます.

回答No.2

BLUEPIXY

大文字で書かれていることではなくて、
＞が来る前に改行しているからだと思います。
タグのパーサをちゃんとしないで質問文のような簡略な方法では、一般的なＨＴＭＬではうまくタグを削除することはできないと思います。