word转html如何清除冗余代码

我有几万个从word转来的html文件，但这些html文件由doc的100多K变成了几M，几十M。

原来转为html时产生了大量的冗余代码，请问有什么方法可以清除这些垃圾。

需要程序代码。

---

刚才没分了，现在又有了，可以加分的

---

    /// <summary>
        /// 清理Word生成的冗余HTML
        /// </summary>
        /// <param name="html"> </param>
        /// <returns> </returns>
        public static string CleanWordHtml(string html)
        {
            StringCollection sc = new StringCollection();
            // get rid of unnecessary tag spans (comments and title)
            sc.Add(@" <!--(\w|\W)+?-->");
            sc.Add(@" <title>(\w|\W)+? </title>");
            // Get rid of classes and styles
            sc.Add(@"\s?class=\w+");
            sc.Add(@"\s+style='[^']+'");
            // Get rid of unnecessary tags
            //sc.Add(@"