从 html 中删除除文本之外的所有内容答案

【问题标题】：Strip everything but text from html从 html 中删除除文本之外的所有内容
【发布时间】：2010-11-26 12:15:16
【问题描述】：

我们的 CMS 允许用户使用 html 编辑器输入文本，因此在将文本读入网页时，我可以这样输入：

&#xD;&#xA;      <p>&#xD;&#xA;      <strong>text text. more 
text</strong>&#xD;&#xA;      <a href="http://blabla>blabla</a> even more text...

我怎样才能删除除文本之外的所有内容，包括 , 和 .和类似的字符？

【问题讨论】：

标签： c# html string

【解决方案1】：

我一直在使用正则表达式过滤网页中的 HTML 以仅检索文本本身，如下所示：

Regex.Replace(requestHtml, "<.*?>", string.Empty)

【讨论】：

【解决方案2】：

假设这是 html（不是 xhtml），我会使用 HTML Agility Pack 来解析它，然后访问 InnerText：

static void Main()
{
    HtmlDocument doc = new HtmlDocument();
    doc.LoadHtml(@"&#xD;&#xA;      <p>&#xD;&#xA;      <strong>text text. more text</strong>&#xD;&#xA;      <a href=""http://blabla>blabla</a> even more text...");
    string s = doc.DocumentNode.InnerText;
    // s is: &#xD;&#xA;      &#xD;&#xA;      text text. more text&#xD;&#xA;     
}

【讨论】：

【解决方案3】：

使用

var a = new Regex("]+/?>"); var v = a.Replace("我的脏文本在这里", "");

v 现在将包含没有属性和标签的文本。

【讨论】：

【解决方案4】：

您可以将其加载到XDocument/XElement 对象中并获取Value 属性，它实际上会返回元素的内部文本。您必须通过使用 xml/html 树的深度枚举对每个元素执行此操作（并在每个内部文本节点之间添加空格）。

hello 会给你“你好”
hellohello 将使用 rootNode.innerText 为您提供“hellohello” - 这就是为什么您必须为每个节点使用它才能获得“hello hello”。

【讨论】：

【解决方案5】：

使用 XML：

rootNode.innerText

但您的输入必须在作为规范化 XML 之前进行检查。

【讨论】：