从 .NET 中的 HTML 获取纯文本答案

【问题标题】：Get plain text from HTML in .NET从 .NET 中的 HTML 获取纯文本
【发布时间】：2011-05-03 13:46:29
【问题描述】：

从 HTML 字符串中获取纯文本字符串的最佳方法是什么？

public string GetPlainText(string htmlString)
{
    // any .NET built in utility?
}

提前致谢

【问题讨论】：

纯文本是什么意思？
@slandau：我想从 HTML 输入中输出可读文本。我不确定是否有其他东西可以删除标签...

标签： .net html string

【解决方案1】：

您可以使用 MSHTML，这很宽容；

//using microsoft.mshtml
HTMLDocument htmldoc = new HTMLDocument();
IHTMLDocument2 htmldoc2 = (IHTMLDocument2)htmldoc;
htmldoc2.write(new object[] { "<p>Plateau <i>of<i> <b>Leng</b><hr /><b erp=\"arp\">2 sugars please</b> <xxx>what? &amp; who?" });

string txt = htmldoc2.body.outerText;

Leng 2 糖高原是什么？和谁？

【讨论】：

像魅力一样工作！应该是公认的答案。请注意，您需要先添加对Microsoft.mshtml.dll 的引用。
您确定此方法对于来自不受信任来源的 HTML 是安全的吗？ HTMLDocument.Write() 是否执行传递的脚本？
这个答案比公认的答案（只使用简单的正则表达式来删除标签）要健壮得多，对于任何合理复杂的页面来说可能是必要的。
@giladmayani 在使用此方法之前，您可以使用此处接受的答案stackoverflow.com/a/19414886/1911540 去除任何<script> 标签（及其内部内容）。这也将导致下游字符串操作性能提高，因为 Javascript 内容可能很长。
@SpecialSauce 确实如此，但不要忘记从技术上讲，Javascript 不仅可以存在于<script> 标签中，例如属性值：

【解决方案2】：

据我所知，没有内置实用程序，但根据您的要求，您可以使用正则表达式去除所有标签：

string htmlString = @"<p>I'm HTML!</p>";
Regex.Replace(htmlString, @"<(.|\n)*?>", "");

【讨论】：

检查这个史诗般的问题stackoverflow.com/questions/1732348/…
@Andrey 哈哈，这是一个非常棒的公认答案。幸运的是，OP 没有说明确切的要求，也没有定义 HTML 字符串，所以这应该捕获大多数实际的 HTML 案例，而不是 XHTML。
正则表达式仍然不一定会产生最终结果。您需要至少转换&lt;、&gt; 和&amp;。如果您的文本包含其他 HTML 字符实体，例如 &scaron; (š)，您还需要对所有这些实体进行解码。

【解决方案3】：

~~框架中没有内置解决方案。~~

如果您需要解析 HTML，我使用名为 HTML Agility Pack 的库获得了很好的体验。
它解析 HTML 文件并通过 DOM 提供对它的访问，类似于 XML 类。

【讨论】：

【解决方案4】：

就个人而言，我发现 regex 和 HttpUtility 的组合是最好和最短的解决方案。

Return HttpUtility.HtmlDecode(
                Regex.Replace(HtmlString, "<(.|\n)*?>", "")
                )

这会删除所有标签，然后解码任何附加内容，例如 &lt; 或 &gt;

【讨论】：

【解决方案5】：

没有 .NET 内置方法可以做到这一点。但是，就像@rudi_visser 指出的那样，可以使用正则表达式来完成。

如果您需要删除的不仅仅是标签（即，将 &ampacirc; 转为 →），您可以使用更详细的解决方案，例如 here .

【讨论】：