如何将 HTML 解码为字符串？

Question

我需要将 HTML 解码为纯文本。我知道有很多这样的问题，但我注意到这些解决方案存在一个问题，不知道如何解决。

例如，我们有这段 HTML： <h1><strong>Some text</strong></h1><p><br></p><p>Some more text</p>

尝试过正则表达式解决方案，HttpUtility.HtmlDecode 方法。他们都给出了这个输出：Some textSome more text。单词在应该分开的地方连接起来。有没有办法在不合并单词的情况下解码字符串？

Answer 1

目前尚不清楚您希望在最初未分隔的事物之间使用什么分隔符。所以我使用了 NewLine \n。
Where(x=>!string.IsNullOrWhiteSpace(x) 将删除空元素，这将导致在更复杂的 html 文档中出现大量 \n\n

var input = "<h1><strong>Some text</strong></h1><p><br></p><p>Some more text</p>";
var htmlDocument = new HtmlDocument();
htmlDocument.LoadHtml(input);

var result = string.Join(
                "\n", 
                htmlDocument
                    .DocumentNode
                    .ChildNodes
                    .Select(x=> x.InnerText)
                    .Where(x=>!string.IsNullOrWhiteSpace(x))
              );

结果：

“一些文字\n更多文字”

Answer 2

你可以使用如下的东西。在这个示例中，我使用换行符来分隔内部文本，希望您可以调整它以适应您的场景。

public static string GetPlainTextFromHTML(string inputText)
    {
        // Extracted plain text
        var plainText = string.Empty;

        if(string.IsNullOrWhiteSpace(inputText))
        {
            return plainText;
        }

        var htmlNote = new HtmlDocument();
        htmlNote.LoadHtml(inputText);

        var nodes = htmlNote.DocumentNode.ChildNodes;
        if(nodes == null)
        {
            return plainText;
        }

        StringBuilder innerString = new StringBuilder();

        // Replace <p> with new lines
        foreach (HtmlNode node in nodes) 
        {
            innerString.Append(node.InnerText);
            innerString.Append("\\n");
        }

        plainText = innerString.ToString();
        return plainText;
    }

Answer 3

简单的方法是使用 HTML Agility 包：

HtmlDocument htmlDocument= new HtmlDocument();
htmlDocument.Load(htmlString);
string res=htmlDocument.DocumentNode.SelectSingleNode("YOUR XPATH TO THE INTRESTING ELEMENT").InnerText

Answer 4

您可以使用正则表达式：]{0,}>