如何读取包含 HTML 的 Lync 对话文件？答案

【问题标题】：How can I read a Lync conversation file containing HTML?如何读取包含 HTML 的 Lync 对话文件？
【发布时间】：2015-10-17 10:18:07
【问题描述】：

我在用 c# 将本地文件读入字符串时遇到问题。

这是我到现在为止的想法：

 string file = @"C:\script_test\{5461EC8C-89E6-40D1-8525-774340083829}.html";
 using (StreamReader reader = new StreamReader(file))
 {
      string line = "";
      while ((line = reader.ReadLine()) != null)
      {
           textBox1.Text += line.ToString();
      }
 }

这是唯一可行的解决方案。

我尝试了其他一些读取文件的建议方法，例如：

string file = @"C:\script_test\{5461EC8C-89E6-40D1-8525-774340083829}.html";
string html = File.ReadAllText(file).ToString();
textBox1.Text += html;

但它并没有按预期工作。

这是我正在尝试读取的文件的前几行：

如您所见，它有一些时髦的字符，老实说，我不知道这是否是导致这种奇怪行为的原因。

但在第一种情况下，代码似乎跳过了这些行，只打印“Office Communicator 生成的文档...”

【问题讨论】：

那是二进制数据吗？您可以读取二进制流并转换为字符串。
请从文件的开头发布 binary 数据 - 基本上用 hex 文件编辑器查看它。
它看起来像一个简单的html文件，实际上它有一个HTML标签，加上所有其他部分，如body、style等。当用chrome打开时，它是一个简单的网页，有一些垃圾顶部。
这不是文本文件。它是使用“.html”扩展名保存的其他格式。它是如何准确地生成的？ “由 Lync 生成”不是答案 - Lync 生成了什么？您是否尝试将某些内容保存为附件？是会话的记录吗？传输的文件？在用户的 Lync 数据文件夹中找到原始文件？如果不知道二进制文件的类型或格式，就无法处理
这是最重要的信息，应该在标题本身中。我建议您发布一个新问题，询问如何阅读 Lync 对话历史记录文件。可能有一个 API 可以使这变得微不足道。另请查看 Lync 的文档和编程指南。确保提及使用的 Lync 版本。另请注意，有很多关于从服务器或客户端读取 Lync 历史记录的 SO 问题。确保指定适当的大小写

标签： c# file lync

【解决方案1】：

我不知道这是否是回答这个问题的正确方法，但这是我到目前为止所做的：

        string file = @"C:\script_test\{1C0365BC-54C6-4D31-A1C1-586C4575F9EA}.hist";
                    string outText = "";
        //Encoding iso = Encoding.GetEncoding("ISO-8859-1");
        Encoding utf8 = Encoding.UTF8;
        StreamReader reader = new StreamReader(file, utf8);
        char[] text = reader.ReadToEnd().ToCharArray();
        //skip first n chars
        /*
        for (int i = 250; i < text.Length; i++)
        {
            outText += text[i];
        }
        */
        for (int i = 0; i < text.Length; i++)
        {
            //skips non printable characters
            if (!Char.IsControl(text[i]))
            {
                outText += text[i];
            }
        }
        string source = "";
        source = WebUtility.HtmlDecode(outText);
        HtmlAgilityPack.HtmlDocument htmlDoc = new HtmlAgilityPack.HtmlDocument();
        htmlDoc.LoadHtml(source);

        string html = "<html><style>";
        foreach (HtmlNode node in htmlDoc.DocumentNode.SelectNodes("//style"))
        {
            html += node.InnerHtml+ Environment.NewLine;
        }
        html += "</style><body>";
        foreach (HtmlNode node in htmlDoc.DocumentNode.SelectNodes("//body"))
        {
            html += node.InnerHtml + Environment.NewLine;
        }
        html += "</body></html>";
        richTextBox1.Text += html+Environment.NewLine;

        webBrowser1.DocumentText = html;

对话显示正确，包括样式和编码。

所以这对我来说是一个开始。

感谢大家的支持！

编辑

Char.IsControl(char)

跳过不可打印的字符:)

【讨论】：

【解决方案2】：

如果您可以使用 API 或 SDK，甚至对您尝试阅读的格式进行描述，您的任务会更轻松。但是二进制格式看起来并没有那么复杂，并且安装了hexviewer 后，我已经从您提供的示例中获取了 html。

要解析非文本文件，请回退到BinaryReader，然后使用Read methods 之一从字节流中读取正确的类型。我使用了ReadByte 和ReadInt32。请注意在方法的描述中如何解释读取了多少字节。当您尝试破译您的文件时，这会变得很方便。

    private string ParseHist(string file)
    {
        using (var f = File.Open(file, FileMode.Open))
        {
            using (var br = new BinaryReader(f))
            {
                // read 4 bytes as an int
                var first = br.ReadInt32();
                // read integer / zero ended byte arrays as string
                var lead = br.ReadInt32();
                // until we have 4 zero bytes
                while (lead != 0)
                {
                    var user = ParseString(br);
                    Trace.Write(lead);
                    Trace.Write(":");
                    Trace.Write(user.Length);
                    Trace.Write(":");
                    Trace.WriteLine(user);
                    lead = br.ReadInt32();
                    // weird special case
                    if (lead == 2)
                    {
                        lead = br.ReadInt32();
                    }
                }

                // at the start of the html block
                var htmllen = br.ReadInt32();
                Trace.WriteLine(htmllen);
                // parse the html
                var html = ParseString(br);
                Trace.Write(len);
                Trace.Write(":");
                Trace.Write(html.Length);
                Trace.Write(":");
                Trace.WriteLine(html);
                // other structures follow, left unparsed

                return html.ToString();
            }
        }
    }

    // a string seems to be ascii encoded and ends with a zero byte.
    private static string ParseString(BinaryReader br)
    {
        var ch = br.ReadByte();
        var sb = new StringBuilder();
        while (ch != 0)
        {
            sb.Append((char)ch);
            ch = br.ReadByte();
        }
        return sb.ToString();
    }

您可以在 winform 应用程序中使用简单的解析逻辑，如下所示：

    private void button1_Click(object sender, EventArgs e)
    {
        webBrowser1.DocumentText = ParseHist(@"5461EC8C-89E6-40D1-8525-774340083829-Copia.html");
    }

请记住，这不是防弹或推荐的方法，但它应该可以帮助您入门。对于解析不好的文件，您需要返回到 hexviewer 并计算出哪些其他字节结构是新的或与您已有的不同。这不是我打算帮助你的事情，留给你做练习。

【讨论】：

嗨，我很想试试你的代码！我想出了一个解决方案，包括跳过文件的前 n 个字符。似乎只有 textBox 组件受此影响，仅显示“-”字符。控制台输出工作正常...所以，这就是我想出的：pastebin.com/gaEZW8ar i.imgur.com/X3eFdUQ.jpg 我知道这不是最好和最安全的解决方案，但它是一个起点。
跳过 n 个字节是失败的保证，因为下一个文件将与文件开头的名称/地址不同
在文件末尾重复了类似类型的数据，包括参与者。顶部只是一个标题和 CSS 标记。所以我仍然可以从该文件中提取信息。直接将文件读入字符串，只是不起作用：/
我能够使用 HtmlAgilityPack 成功解析和提取数据，如下所述：stackoverflow.com/questions/19870116/…