我在一个表格中存储了一些Html片段。不是整页，没有标签或类似的东西，只有基本格式。
我想要能够仅作为文本显示该Html，在给定页面上没有格式（实际上只需前30-50个字符，但那很容易）。
我如何将Html中的“文本”作为纯文本放入字符串中？
因此，这段代码。
<b>Hello World.</b><br/><p><i>Is there anyone out there?</i><p>
变成：
你好，世界。有人在吗？
如何将Html转换为纯文本？
135
- Stu
5
你可能需要使用SgmlReader。http://code.msdn.microsoft.com/SgmlReader - Leonardo Herrera
在http://www.blackbeltcoder.com/Articles/strings/convert-html-to-text上有一些非常简单和直接的代码，可以将HTML转换为纯文本。 - Jonathan Wood
这里有一些来自W3C的好建议：http://www.w3.org/Tools/html2things.html - Rich
4如何将一个问题标记为一个在6个月后被提出的问题的副本？这似乎有些不合逻辑... - Stuart Helwig
我已经编写了一个将HTML转换为纯文本的函数（http://pastebin.com/NswerNkQ）。它有一些限制，例如不能从“a”标签中提取链接。我最好基于PHP的html2text源代码（https://github.com/soundasleep/html2text/blob/master/src/Html2Text.php）来改进我的函数。 - Uwe Keim
20个回答
126
使用MIT许可的HtmlAgilityPack库，在其示例代码中包含一种将HTML转换为纯文本的方法。
var plainText = HtmlUtilities.ConvertToPlainText(string html);
将HTML字符串作为参数传递给它，例如：
<b>hello, <i>world!</i></b>
你将获得一个纯文本结果，如下所示：
hello world!
- Judah Gabriel Himango
13
14我之前用过HtmlAgilityPack，但找不到ConvertToPlainText的相关信息。请问你能告诉我在哪里可以找到它吗？ - horatio
9Horatio，这在HtmlAgilityPack的示例文件中已经包含了：http://htmlagilitypack.codeplex.com/sourcecontrol/changeset/view/62772?projectName=htmlagilitypack#52179 - Judah Gabriel Himango
8实际上，在敏捷包中没有内置的方法来实现这一点。你提供的链接是一个例子，它使用敏捷包遍历节点树，移除“script”和“style”标签，并将其他元素的内部文本写入输出字符串。我怀疑它在真实世界的输入测试中经过了充分的测试。 - Lou
4有人能提供可行的代码，而不是需要重新修改才能正常运行的示例链接吗？请注意保持原意，使内容通俗易懂。 - Eric K
10现在可以在这里找到示例：https://github.com/ceee/ReadSharp/blob/master/ReadSharp/HtmlUtilities.cs - StuartQ
显示剩余8条评论
82
我不能使用HtmlAgilityPack，所以我为自己写了一个次优解决方案。
private static string HtmlToPlainText(string html)
{
const string tagWhiteSpace = @"(>|$)(\W|\n|\r)+<";//matches one or more (white space or line breaks) between '>' and '<'
const string stripFormatting = @"<[^>]*(>|$)";//match any character between '<' and '>', even when end tag is missing
const string lineBreak = @"<(br|BR)\s{0,1}\/{0,1}>";//matches: <br>,<br/>,<br />,<BR>,<BR/>,<BR />
var lineBreakRegex = new Regex(lineBreak, RegexOptions.Multiline);
var stripFormattingRegex = new Regex(stripFormatting, RegexOptions.Multiline);
var tagWhiteSpaceRegex = new Regex(tagWhiteSpace, RegexOptions.Multiline);
var text = html;
//Decode html specific characters
text = System.Net.WebUtility.HtmlDecode(text);
//Remove tag whitespace/line breaks
text = tagWhiteSpaceRegex.Replace(text, "><");
//Replace <br /> with line breaks
text = lineBreakRegex.Replace(text, Environment.NewLine);
//Strip formatting
text = stripFormattingRegex.Replace(text, string.Empty);
return text;
}
- Ben Anderson
7
5“<blabla>”被解析出来，因此我将文本=System.Net.WebUtility.HtmlDecode(text); 移到该方法的底部。 - Luuk
1这太棒了，我还添加了一个多空间电容器，因为HTML可能是从CMS生成的：var spaceRegex = new Regex("[ ]{2,}", RegexOptions.None); - Enkode
有时，在HTML代码中会出现程序员的新行（新行在注释中看不到，所以我用[new line]来表示，例如：<br> I [new line] miss [new line] you <br>。因此，它应该显示为：“I miss you”，但实际上它显示为“I [new line] miss [new line] you”。这使得纯文本看起来很痛苦。你知道如何解决吗？ - 123iamking
我曾经使用这个方法，但有时会在字符串开头留下“>”。另一种应用正则表达式<[^>]*>的解决方案效果很好。 - Etienne Charland
1我是这里唯一一个认为正则表达式不应该用于解析结构化语言（如HTML）的人吗？https://dev59.com/unRB5IYBdhLWcg3wiHz7 - Mladen B.
显示剩余2条评论
32
如果您在谈论标签剥离，那么如果您不必担心像 <script> 标签这样的东西，这相对来说是相当简单的。如果你只需要显示文本而没有标签，你可以使用正则表达式来实现:
<[^>]*>
如果你需要担心<script>标签等问题，那么你需要使用比正则表达式更强大的东西来跟踪状态，例如上下文无关文法（CFG），虽然你可能可以用“从左到右”或非贪婪匹配来实现。
如果你可以使用正则表达式，那么有许多网页提供了很好的信息：
- http://weblogs.asp.net/rosherove/archive/2003/05/13/6963.aspx
- http://www.google.com/search?hl=en&q=html+tag+stripping+&btnG=Search
如果您需要CFG的更复杂行为，我建议使用第三方工具，不幸的是我不知道推荐一个好的工具。
- vfilby
12
3您还需要担心XML中属性值、注释、PI/CDATA以及遗留HTML中的各种常见格式错误。总的来说，[X][HT]ML不适合使用正则表达式进行解析。 - bobince
20这是一个糟糕的方法。正确的做法是使用一个库来解析HTML，并遍历DOM，只输出白名单中列出的内容。 - usr
3你所提到的部分是答案中关于CFG的部分。正则表达式可以用于快速简单地去除标签，虽然它有弱点，但它很快也很容易。如果需要更复杂的解析，请使用基于CFG的工具（在你的术语中是生成DOM的库）。我没有进行测试，但我敢打赌，DOM解析比正则表达式去除慢，如果需要考虑性能的话。 - vfilby
1@vfilby：不！标签剥离是黑名单。举个例子，你忘了什么：你的正则表达式将无法剥离缺少关闭“>”的标签。你考虑过这个吗？我不确定这是否会成为一个问题，但至少证明你错过了这种情况。谁知道你还错过了什么。再举一个例子：你错过了带有javascript src属性的图像。除非安全性不重要，否则永远不要使用黑名单。 - usr
1正如@bobince所写，HTML不适合使用正则表达式进行解析。这在现实世界的HTML中会出现问题，因为它经常存在格式不正确的情况。 - Judah Gabriel Himango
显示剩余7条评论
21
HTTPUtility.HTMLEncode()方法的作用是将HTML标签编码为字符串。它将为您处理所有繁琐的工作。根据MSDN文档的说明：
如果在HTTP流中传递了空格和标点等字符，则可能会在接收端被错误解释。 HTML编码将不允许在HTML中的字符转换为字符实体等效项； HTML解码反转编码。例如，当嵌入在文本块中时，字符
<和>被编码为<和>以进行HTTP传输。
HTTPUtility.HTMLEncode() 方法的详细信息可以在这里查看。
public static void HtmlEncode(
string s,
TextWriter output
)
使用方法：
String TestString = "This is a <Test String>.";
StringWriter writer = new StringWriter();
Server.HtmlEncode(TestString, writer);
String EncodedString = writer.ToString();
- George S.
2
非常好的回答，George，谢谢。它还突显了我第一次提问时的不足之处。抱歉。 - Stuart Helwig
HTML Agility Pack已经过时，不支持HTML5。 - Manoochehr Dadashi
11
将HTML转换为纯文本的三个步骤：
第一步，您需要安装Nuget包以获取HtmlAgilityPack 第二步，创建此类：
public class HtmlToText
{
public HtmlToText()
{
}
public string Convert(string path)
{
HtmlDocument doc = new HtmlDocument();
doc.Load(path);
StringWriter sw = new StringWriter();
ConvertTo(doc.DocumentNode, sw);
sw.Flush();
return sw.ToString();
}
public string ConvertHtml(string html)
{
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(html);
StringWriter sw = new StringWriter();
ConvertTo(doc.DocumentNode, sw);
sw.Flush();
return sw.ToString();
}
private void ConvertContentTo(HtmlNode node, TextWriter outText)
{
foreach(HtmlNode subnode in node.ChildNodes)
{
ConvertTo(subnode, outText);
}
}
public void ConvertTo(HtmlNode node, TextWriter outText)
{
string html;
switch(node.NodeType)
{
case HtmlNodeType.Comment:
// don't output comments
break;
case HtmlNodeType.Document:
ConvertContentTo(node, outText);
break;
case HtmlNodeType.Text:
// script and style must not be output
string parentName = node.ParentNode.Name;
if ((parentName == "script") || (parentName == "style"))
break;
// get text
html = ((HtmlTextNode)node).Text;
// is it in fact a special closing node output as text?
if (HtmlNode.IsOverlappedClosingElement(html))
break;
// check the text is meaningful and not a bunch of whitespaces
if (html.Trim().Length > 0)
{
outText.Write(HtmlEntity.DeEntitize(html));
}
break;
case HtmlNodeType.Element:
switch(node.Name)
{
case "p":
// treat paragraphs as crlf
outText.Write("\r\n");
break;
}
if (node.HasChildNodes)
{
ConvertContentTo(node, outText);
}
break;
}
}
}
通过参考Judah Himango的答案，您可以使用上述类。
第三步，您需要创建上述类的对象，并使用ConvertHtml(HTMLContent)方法将HTML转换为纯文本，而不是ConvertToPlainText(string html);
HtmlToText htt=new HtmlToText();
var plainText = htt.ConvertHtml(HTMLContent);
- Abdulqadir_WDDN
1
我能跳过将HTML中的链接转换吗？在将其转换为文本时，我需要保留HTML中的链接。 - coder771
7
除了vfilby的回答，你可以在你的代码中进行正则表达式替换；不需要新的类。如果其他像我一样的新手遇到这个问题。
using System.Text.RegularExpressions;
然后...
private string StripHtml(string source)
{
string output;
//get rid of HTML tags
output = Regex.Replace(source, "<[^>]*>", string.Empty);
//get rid of multiple blank lines
output = Regex.Replace(output, @"^\s*$\n", string.Empty, RegexOptions.Multiline);
return output;
}
- WEFX
1
22这不好！通过省略闭合尖括号，它可以被欺骗包含脚本。伙计们，永远不要使用黑名单。你不能通过黑名单来净化输入，这是错误的做法。 - usr
7
更新2023年的答案。答案基本上与以往相同：
安装最新的HtmlAgilityPack
创建一个名为HtmlUtilities的实用程序类，该类使用HtmlAgilityPack。
使用它：
var plainText = HtmlUtilities.ConvertToPlainText(email.HtmlCode);
以下是从上面链接中复制的HtmlUtilities类：
using HtmlAgilityPack;
using System;
using System.IO;
namespace ReadSharp
{
public class HtmlUtilities
{
/// <summary>
/// Converts HTML to plain text / strips tags.
/// </summary>
/// <param name="html">The HTML.</param>
/// <returns></returns>
public static string ConvertToPlainText(string html)
{
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(html);
StringWriter sw = new StringWriter();
ConvertTo(doc.DocumentNode, sw);
sw.Flush();
return sw.ToString();
}
/// <summary>
/// Count the words.
/// The content has to be converted to plain text before (using ConvertToPlainText).
/// </summary>
/// <param name="plainText">The plain text.</param>
/// <returns></returns>
public static int CountWords(string plainText)
{
return !String.IsNullOrEmpty(plainText) ? plainText.Split(' ', '\n').Length : 0;
}
public static string Cut(string text, int length)
{
if (!String.IsNullOrEmpty(text) && text.Length > length)
{
text = text.Substring(0, length - 4) + " ...";
}
return text;
}
private static void ConvertContentTo(HtmlNode node, TextWriter outText)
{
foreach (HtmlNode subnode in node.ChildNodes)
{
ConvertTo(subnode, outText);
}
}
private static void ConvertTo(HtmlNode node, TextWriter outText)
{
string html;
switch (node.NodeType)
{
case HtmlNodeType.Comment:
// don't output comments
break;
case HtmlNodeType.Document:
ConvertContentTo(node, outText);
break;
case HtmlNodeType.Text:
// script and style must not be output
string parentName = node.ParentNode.Name;
if ((parentName == "script") || (parentName == "style"))
break;
// get text
html = ((HtmlTextNode)node).Text;
// is it in fact a special closing node output as text?
if (HtmlNode.IsOverlappedClosingElement(html))
break;
// check the text is meaningful and not a bunch of whitespaces
if (html.Trim().Length > 0)
{
outText.Write(HtmlEntity.DeEntitize(html));
}
break;
case HtmlNodeType.Element:
switch (node.Name)
{
case "p":
// treat paragraphs as crlf
outText.Write("\r\n");
break;
case "br":
outText.Write("\r\n");
break;
}
if (node.HasChildNodes)
{
ConvertContentTo(node, outText);
}
break;
}
}
}
}
- Greg Gum
6
它的局限性在于无法折叠长行内空格，但它绝对是可移植的，并且像Web浏览器一样尊重布局。
static string HtmlToPlainText(string html) {
string buf;
string block = "address|article|aside|blockquote|canvas|dd|div|dl|dt|" +
"fieldset|figcaption|figure|footer|form|h\\d|header|hr|li|main|nav|" +
"noscript|ol|output|p|pre|section|table|tfoot|ul|video";
string patNestedBlock = $"(\\s*?</?({block})[^>]*?>)+\\s*";
buf = Regex.Replace(html, patNestedBlock, "\n", RegexOptions.IgnoreCase);
// Replace br tag to newline.
buf = Regex.Replace(buf, @"<(br)[^>]*>", "\n", RegexOptions.IgnoreCase);
// (Optional) remove styles and scripts.
buf = Regex.Replace(buf, @"<(script|style)[^>]*?>.*?</\1>", "", RegexOptions.Singleline);
// Remove all tags.
buf = Regex.Replace(buf, @"<[^>]*(>|$)", "", RegexOptions.Multiline);
// Replace HTML entities.
buf = WebUtility.HtmlDecode(buf);
return buf;
}
- jeiea
2
@Prof.Falken 我承认，我认为每段代码都有优缺点。它的缺点是稳定性，而优点可能在于简单性（相对于SLOC而言）。您可以使用
XDocument 发布一段代码。 - jeiea这是最可靠的解决方案，因为它使用HTML标签而不是任何看起来像它的东西。在邮件HTML测试期间，这是绝对完美的解决方案。我将“\n”更改为Environment.NewLine。最后，根据我的需求添加了return buf.Trim();到最终结果。非常好，这应该是最佳答案。 - Tanner Ornelas
5
我认为最简单的方法是创建一个“字符串”扩展方法（基于用户Richard提出的建议）：
using System;
using System.Text.RegularExpressions;
public static class StringHelpers
{
public static string StripHTML(this string HTMLText)
{
var reg = new Regex("<[^>]+>", RegexOptions.IgnoreCase);
return reg.Replace(HTMLText, "");
}
}
在您的程序中，只需对任何“字符串”变量使用此扩展方法：
var yourHtmlString = "<div class=\"someclass\"><h2>yourHtmlText</h2></span>";
var yourTextString = yourHtmlString.StripHTML();
我使用这个扩展方法将HTML格式的评论转换为纯文本，以便在Crystal报表上正确显示，它运行得非常完美！
- mikhail-t
3
我发现最简单的方法是：
HtmlFilter.ConvertToPlainText(html);
HtmlFilter类位于Microsoft.TeamFoundation.WorkItemTracking.Controls.dll中。
该dll可以在以下文件夹中找到： %ProgramFiles%\Common Files\microsoft shared\Team Foundation Server\14.0\
在VS 2015中，该dll还需要引用位于同一文件夹中的Microsoft.TeamFoundation.WorkItemTracking.Common.dll。
- Roman O
2
它是否处理脚本标签并且格式化为粗体斜体等？ - Samra
7引入一个用于将HTML转换为纯文本的团队基础依赖项，非常值得怀疑... - ViRuSTriNiTy
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接