去掉 html 中 <img src=random.jpg> 和 random text 之外的所有内容答案

【问题标题】：strip out everything out side of <img src=random.jpg> and random text in html去掉 html 中 <img src=random.jpg> 和 random text 之外的所有内容
【发布时间】：2011-11-30 04:00:13
【问题描述】：

我正在尝试使用 c# http 模块从网页中删除数据。我只想要原始文本和图像。我怎样才能把其他所有东西都去掉？

private static Regex reg = new Regex(@"<img src=\t????????");

public override void Write(byte[] buffer, int offset, int count)
    {
      byte[] data = new byte[count];
      Buffer.BlockCopy(buffer, offset, data, 0, count);
      string html = System.Text.Encoding.Default.GetString(buffer);

      html = reg.Replace(html, string.Empty);


      byte[] outdata = System.Text.Encoding.Default.GetBytes(html);
      _sink.Write(outdata, 0, outdata.GetLength(0));
    }

【问题讨论】：

obligatory
@Blender - HTML 解析器会是更好的选择。
是的，我知道这不是完全重复的，但接受的答案仍然回答这个：stackoverflow.com/questions/1732348/…
该线程被垃圾邮件发送到地狱。任何其他解决方案，例如使用哪个 XMl 解析器？？？
@user719825 - 评论不是答案。

标签： c# asp.net html iis httpmodule

【解决方案1】：

使用 HTML 解析器，例如 HtmlAgilityPack。

【讨论】：

我现在正在使用它，但我只能通过实际页面加载它。我将如何获取缓冲区中的数据（在页面呈现在浏览器上之前？）
有没有可以覆盖的Render 方法？（不记得这是否仅适用于Pages）。