在Qt中有没有一种简单的方法可以从QString中去除HTML？

Question

我有一个包含HTML的QString字符串...有没有一种简单的方法可以从中去除HTML？我只想获取实际的文本内容。

<i>Test:</i><img src="blah.png" /><br> A test case

将变成：

Test: A test case

我想知道Qt是否有针对这个的字符串函数或实用工具。

- Nathan Osman

Answer 1

QString s = "<i>Test:</i><img src=\"blah.png\" /><br> A test case";
s.remove(QRegExp("<[^>]*>"));
// s == "Test: A test case"

- k06a

---

这个答案对于包含HTML实体（例如<）的字符串不足够。 - Michael Platings

这个问题，我能想到的是，<br> 被删除而不是被转换为换行符。 - Marcus

@Marcus 正是问题所要求的。没有将任何HTML转换为其他内容，这是完全不同的请求。 - Michael Mrozek

Answer 2

如果您不太关心性能，那么QTextDocument可以很好地将HTML转换为纯文本。

QTextDocument doc;
doc.setHtml( htmlString );

return doc.toPlainText();

我知道这个问题很旧了，但是我正在寻找一种快速且简单的方法来处理不正确的HTML。XML解析器没有给出好的结果。

- Vishesh Handa

---

我认为这是最好的答案。它保留了基本格式，如换行符。 - Edwin Rodríguez

也许一个稍微更好的解决方案是使用 QTextDocumentFragment： QString plainText = QTextDocumentFragment::fromHtml(htmlString).toPlainText(); - Marcus

你应该把这变成一个真正的答案，而不是一个评论。我认为这是最好的解决方案。 - Tim Angus

Answer 3

你可以尝试使用 QXmlStreamReader 类逐个遍历字符串，并提取所有文本（如果你的 HTML 字符串确保为格式良好的 XML）。

类似以下代码：

QXmlStreamReader xml(htmlString);
QString textString;
while (!xml.atEnd()) {
    if ( xml.readNext() == QXmlStreamReader::Characters ) {
        textString += xml.text();
    }
}

但我不确定这是否是QXmlStreamReader API的100％有效用法，因为我使用它已经有一段时间了，可能会忘记一些细节。

- VestniK

---

谢谢。我不想验证它或提取它。我只是想摆脱它。 - Nathan Osman

哦，我获取的文本确实来自可信源（而非用户输入），所以应该没问题。 - Nathan Osman

当没有任何HTML标签时，它无法工作。因此，textString将为空字符串。 - Ivan Romanov

Answer 4

一些HTML不太符合XML规范的情况会使正确处理它变得更加困难。

如果它是有效的XML（或格式不太糟糕），我认为QXmlStreamReader + QXmlStreamEntityResolver可能不是一个坏主意。

示例代码在：https://github.com/ycheng/misccode/blob/master/qt_html_parse/utils.cpp。

- user1676531

Answer 5

这个答案是给那些后来阅读此帖并使用Qt5或更高版本的人。只需使用内置函数转义HTML字符，如下所示。

QString str="<h1>some hedding </h1>"; // a string containing html tags.
QString esc=str.toHtmlEscaped(); //esc contains the html escaped srring.

- danial weaber

---

我不是想要避开标签，而是希望将它们移除。 - Nathan Osman

QString::toHtmlEscaped 不会删除 HTML 标签，只是将 <、> 等字符转换为 HTML 代码。 - Marcus