如何从 html 中仅提取文本答案

【问题标题】：How can I extract just text from the html如何从 html 中仅提取文本
【发布时间】：2011-08-16 09:37:49
【问题描述】：

我需要提取 html 的 <body> 中存在的所有文本。示例 Html 输入：-

<html>
    <title>title</title>
    <body>
           <h1> This is a big title.</h1>
           How are doing you?
           <h3> I am fine </h3>
           <img src="abc.jpg"/>
    </body>
</html>

输出应该是：-

This is a big title. How are doing you? I am fine

我只想为此目的使用 HtmlAgility。请不要使用正则表达式。

我知道如何加载 HtmlDocument，然后使用像 '//body' 这样的 xquery 我们可以获得正文内容。但是如何剥离我在输出中显示的 html？

提前致谢:)

【问题讨论】：

请参阅this question 以获取一些 HTML Agility Pack 链接。我猜你必须在HtmlNode 上调用类似InnerText 的属性。

标签： c# html-agility-pack

【解决方案1】：

您可以使用支持从 HTML 提取文本的NUglify：

var result = Uglify.HtmlToText("<div>  <p>This is <em>   a text    </em></p>   </div>");
Console.WriteLine(result.Code);   // prints: This is a text

由于它使用 HTML5 自定义解析器，它应该非常健壮（特别是如果文档不包含任何错误）并且速度非常快（不涉及正则表达式，而是纯递归下降解析器，比 HtmlAgilityPack 更快等等GC 友好）

【讨论】：

它似乎在后台使用HtmlAgilityPack，正如接受的答案所建议的那样。
@XavierPoinas 不，NUglify 没有使用HtmlAgilityPack，它有自己的 HTML5 自定义解析器。
对不起，你是对的。我在项目中看到了它，但它只是为了进行基准测试。

【解决方案2】：

使用 XPath 表达式 '//body//text()' 选择所有文本节点怎么样？

【讨论】：

【解决方案3】：

可以使用正文的InnerText：

string html = @"
<html>
    <title>title</title>
    <body>
           <h1> This is a big title.</h1>
           How are doing you?
           <h3> I am fine </h3>
           <img src=""abc.jpg""/>
    </body>
</html>";

HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(html);
string text = doc.DocumentNode.SelectSingleNode("//body").InnerText;

接下来，您可能想要折叠空格和换行：

text = Regex.Replace(text, @"\s+", " ").Trim();

但是请注意，虽然它在这种情况下工作，但 hello<br>world 或 hello<i>world</i> 等标记将由 InnerText 转换为 helloworld - 删除标签。这个问题很难解决，因为显示通常由 CSS 决定，而不仅仅是由标记决定。

【讨论】：

注意 xpath 的 htat "/html/body" 要快得多。
报错。找不到 HtmlDocument 的命名空间。
@Er.ShaileshS.Bankar - 你有Html Agility Pack 库吗？
不，我必须先添加它吗？

【解决方案4】：

通常用于解析 html 我会推荐一个 HTML 解析器，但是由于您想删除所有 html 标记，一个简单的正则表达式应该可以工作。

【讨论】：