使用 .NET 删除所有 HTML 标记并使用回车符、空格等格式化文本答案

【问题标题】：Remove all HTML tags and format text with returns, spaces, etc. using .NET使用 .NET 删除所有 HTML 标记并使用回车符、空格等格式化文本
【发布时间】：2011-06-01 13:36:29
【问题描述】：

我在剥离 HTML 并显示为客户格式化文本时遇到问题。

例如：

asdas<br/>asdas

所以标签将被一个边距替换。但我还需要用空格和制表符替换边距并删除所有标签。是否有任何示例或已完成的解决方案可以在删除 HTML 标记后获得某种格式的文本。

当前解决方案（寻找更好的解决方案）：

/// <summary>
/// Methods to remove HTML from strings.
/// </summary>
public static class HtmlRemoval
{
    /// <summary>
    /// Compiled regular expression for performance.
    /// </summary>
    static Regex _htmlRegex = new Regex("<.*?>", RegexOptions.Compiled);

    /// <summary>
    /// Remove HTML from string with compiled Regex.
    /// </summary>
    public static string StripAllTagsRegex(string source)
    {
        source = HttpUtility.HtmlEncode(source);
        return _htmlRegex.Replace(source, string.Empty);
    }

    public static string ChangeTagsToTextFormat(string source)
    {
        if (string.IsNullOrEmpty(source))
            return source;

        source = HttpUtility.HtmlEncode(source);
        return source.Replace("<br/>", Environment.NewLine)
            .Replace("</div>", Environment.NewLine)
             .Replace("</p>", Environment.NewLine);
    }
}

【问题讨论】：

你有没有尝试过什么？
我可能正在寻找可以做这些事情的 lib。
相关经典答案：stackoverflow.com/questions/1732348/…
“边距”是指“换行符”吗？
我的意思是
将被换行。真正的 html 边距由空格...

标签： c# .net html

【解决方案1】：

我相信 HTML Agility Pack 是这里最简单的解决方案，尤其是因为您删除了（可能是格式错误的）Html 标签。以下代码背后的想法是您只需获取所有节点，返回它们的 InnerText 以及换行符（“\n”，或您想要执行的任何格式，因为在使用 SelectNodes 后您将拥有一个可以使用的集合）：

    private string stripTags(string html)
    {
        var output = new StringBuilder();
        HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();

        doc.LoadHtml(html);

        foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//*"))
        {
            output.AppendLine(node.InnerText + Environment.NewLine);
        }

        return output.ToString();
    }

要获得更具体的格式化结果，只需在 SelectNodes 方法中使用不同的 XPath 表达式。（此处提供的代码未经实际测试，您可能需要更精确的代码）

【讨论】：

【解决方案2】：

Don't use regular expressions to parse HTML.

改用HTML Agility Pack 之类的东西。 Here's an introduction to how to use it.

【讨论】：

我不解析 html。我只是删除标签。
你想用字符串替换 HTML 标签（例如：<br/> 和 \r\n），对吗？

【解决方案3】：

如果您使用 Microsoft Sharepoint，它可能会被 SPHttpUtility 存档

例子：

using Microsoft.SharePoint;

[Test]
public void RemoveHtml()
{
    string textWithHtml = "<div class='ExternalCla48D45'>value</div>";
    textWithHtml = SPHttpUtility.ConvertSimpleHtmlToText(multilinetext, -1);
    Assert.That(textWithHtml, Is.EqualTo("value"));
}

它非常适用于多行字段。

【讨论】：