如何将HTML转换为纯文本

Question

我尝试使用以下函数将HTML转换为纯文本，但在转换时仍然出现错误。

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);
            text = text.Replace(">", "");

            return text;
        }

当我尝试调试代码时，它在纯文本输出中显示\r和\r\n。该函数没有正确将HTML转换为纯文本。有人能否建议我其他的转换函数？

谢谢。

- Sukhjeevan

Answer 1

你可以使用 HtmlAgilityPack 的 HtmlToText 示例，可以在 这里 找到。

我看了其他答案，但它们都提供了涉及正则表达式的各种解决方案。我认为 HtmlAgilityPack 没有得到足够的关注。

你所需要做的就是将 NuGet 包 集成到你的项目中，并按照示例进行操作。

- Marcel N.

---

不值得使用。它无法正确处理空格。 - Jitendra Pancholi

@JitendraPancholi：不确定您尝试了什么，但通常在文档上设置OptionWriteEmptyNodes = true，特别是在输出到文本时，效果很好。 - Marcel N.

如何使用此选项？提供示例代码将不胜感激。 - Jitendra Pancholi

CodePlex已经不存在了，我相信这个新链接指向了github上相同的演示：链接。 - blit