你如何将Html转换为纯文本？
我有一个存储在表格中的Html代码片段。 不是整个页面，没有标签或类似的东西，只是基本的格式。
我希望能够在给定的页面（实际上仅仅是前30-50个字符，但这是容易的一点）显示该HTML作为仅文本， 没有格式 。
如何将该文本中的“文本”作为直接文本放入string中？
所以这段代码。
<b>Hello World.</b><br/><p><i>Is there anyone out there?</i><p> 变为：
你好，世界。 那里有人吗？
如果你正在谈论标签剥离，那么如果你不必担心像<script>标签这样的事情，那就相对简单一些。 如果您只需要显示没有标签的文本，您可以使用正则expression式来完成：
<[^>]*>
如果你不必担心<script>标签等，那么你需要一些比正则expression式更强大的function，因为你需要跟踪状态，更像是一个上下文无关语法（CFG）。 虽然你可以用“从左到右”或者非贪婪的匹配来完成它。
如果你可以使用正则expression式，那么很多网页都有很好的信息：
- http://weblogs.asp.net/rosherove/archive/2003/05/13/6963.aspx
- http://www.google.com/search?hl=en&q=html+tag+stripping+&btnG=Search
如果你需要一个CFG的更复杂的行为，我会build议使用第三方工具，不幸的是，我不知道一个好的build议。
自由和开源的HtmlAgilityPack 在其样本中有一个从HTML转换为纯文本的方法。
var plainText = ConvertToPlainText(string html);
为它提供一个HTMLstring
<b> hello world！</ b> <br /> <i>是我！ ！</ I>
你会得到一个纯文本的结果，如：
hello world! it is me!
我无法使用HtmlAgilityPack，所以我为自己写了第二个最好的解决scheme
private static string HtmlToPlainText(string html) { const string tagWhiteSpace = @"(>|$)(\W|\n|\r)+<";//matches one or more (white space or line breaks) between '>' and '<' const string stripFormatting = @"<[^>]*(>|$)";//match any character between '<' and '>', even when end tag is missing const string lineBreak = @"<(br|BR)\s{0,1}\/{0,1}>";//matches: <br>,<br/>,<br />,<BR>,<BR/>,<BR /> var lineBreakRegex = new Regex(lineBreak, RegexOptions.Multiline); var stripFormattingRegex = new Regex(stripFormatting, RegexOptions.Multiline); var tagWhiteSpaceRegex = new Regex(tagWhiteSpace, RegexOptions.Multiline); var text = html; //Decode html specific characters text = System.Net.WebUtility.HtmlDecode(text); //Remove tag whitespace/line breaks text = tagWhiteSpaceRegex.Replace(text, "><"); //Replace <br /> with line breaks text = lineBreakRegex.Replace(text, Environment.NewLine); //Strip formatting text = stripFormattingRegex.Replace(text, string.Empty); return text; }
HTTPUtility.HTMLEncode()是为了将HTML标记作为string来处理。 它会照顾你所有的重担。 从MSDN文档 ：
如果在HTTPstream中传递空格和标点符号，则可能会在接收端误解。 HTML编码将HTML中不允许的字符转换为与字符实体等价的字符; HTML解码反转编码。 例如，当embedded在文本块中时，字符
<和>被编码为<和>用于HTTP传输。
HTTPUtility.HTMLEncode()方法，详细在这里 ：
public static void HtmlEncode( string s, TextWriter output )
用法：
String TestString = "This is a <Test String>."; StringWriter writer = new StringWriter(); Server.HtmlEncode(TestString, writer); String EncodedString = writer.ToString();
要添加到vfilby的答案，您可以在您的代码中执行RegExreplace; 没有新的类是必要的。 如果像我这样的其他新手绊倒这个问题。
using System.Text.RegularExpressions;
然后…
private string StripHtml(string source) { string output; //get rid of HTML tags output = Regex.Replace(source, "<[^>]*>", string.Empty); //get rid of multiple blank lines output = Regex.Replace(output, @"^\s*$\n", string.Empty, RegexOptions.Multiline); return output; }
在HtmlAgilityPack中没有名称为“ConvertToPlainText”的方法，但是可以将htmlstring转换为CLEARstring：
HtmlDocument doc = new HtmlDocument(); doc.LoadHtml(htmlString); var textString = doc.DocumentNode.InnerText; Regex.Replace(textString , @"<(.|n)*?>", string.Empty).Replace(" ", "");
这对我很有用。 但我不能find一个名为'ConvertToPlainText'IN'HtmlAgilityPack'的方法。
我认为最简单的方法是创build一个“string”扩展方法（基于Richardbuild议的用户）：
using System; using System.Text.RegularExpressions; public static class StringHelpers { public static string StripHTML(this string HTMLText) { var reg = new Regex("<[^>]+>", RegexOptions.IgnoreCase); return reg.Replace(HTMLText, ""); } }
然后，在程序中的任何“string”variables上使用这个扩展方法：
var yourHtmlString = "<div class=\"someclass\"><h2>yourHtmlText</h2></span>"; var yourTextString = yourHtmlString.StripHTML();
我使用这种扩展方法将HTML格式的注释转换为纯文本，所以它将正确地显示在水晶报表上，而且非常完美！
如果您的数据具有HTML标记，并且要显示它以便人员可以查看标记，请使用HttpServerUtility :: HtmlEncode。
如果您的数据中包含HTML标记，并希望用户看到呈现的标记，则按原样显示文本。 如果文本代表整个网页，请使用IFRAME。
如果您的数据具有HTML标记，并且想要去除标记并仅显示未格式化的文本，请使用正则expression式。
我发现最简单的方法：
HtmlFilter.ConvertToPlainText(html);
HtmlFilter类位于Microsoft.TeamFoundation.WorkItemTracking.Controls.dll
该DLL可以在这样的文件夹中find：％ProgramFiles％\ Common Files \ microsoft shared \ Team Foundation Server \ 14.0 \
在VS 2015中，该DLL还需要引用Microsoft.TeamFoundation.WorkItemTracking.Common.dll，位于相同的文件夹中。
取决于你的意思是“html”。 最复杂的情况是完整的网页。 这也是最容易处理的，因为您可以使用文本模式的Web浏览器。 请参阅维基百科文章列表网页浏览器，包括文本模式浏览器。 山猫可能是最有名的，但其中一个可能会更好地满足您的需求。
将HTML转换为纯文本的三步过程
首先你需要为HtmlAgilityPack安装Nuget包第二个创build这个类
public class HtmlToText { public HtmlToText() { } public string Convert(string path) { HtmlDocument doc = new HtmlDocument(); doc.Load(path); StringWriter sw = new StringWriter(); ConvertTo(doc.DocumentNode, sw); sw.Flush(); return sw.ToString(); } public string ConvertHtml(string html) { HtmlDocument doc = new HtmlDocument(); doc.LoadHtml(html); StringWriter sw = new StringWriter(); ConvertTo(doc.DocumentNode, sw); sw.Flush(); return sw.ToString(); } private void ConvertContentTo(HtmlNode node, TextWriter outText) { foreach(HtmlNode subnode in node.ChildNodes) { ConvertTo(subnode, outText); } } public void ConvertTo(HtmlNode node, TextWriter outText) { string html; switch(node.NodeType) { case HtmlNodeType.Comment: // don't output comments break; case HtmlNodeType.Document: ConvertContentTo(node, outText); break; case HtmlNodeType.Text: // script and style must not be output string parentName = node.ParentNode.Name; if ((parentName == "script") || (parentName == "style")) break; // get text html = ((HtmlTextNode)node).Text; // is it in fact a special closing node output as text? if (HtmlNode.IsOverlappedClosingElement(html)) break; // check the text is meaningful and not a bunch of whitespaces if (html.Trim().Length > 0) { outText.Write(HtmlEntity.DeEntitize(html)); } break; case HtmlNodeType.Element: switch(node.Name) { case "p": // treat paragraphs as crlf outText.Write("\r\n"); break; } if (node.HasChildNodes) { ConvertContentTo(node, outText); } break; } } }
通过上面的课，参考Judah Himango的答案
第三，你需要创build上述类的对象，并使用ConvertHtml(HTMLContent)方法将HTML转换为纯文本而不是ConvertToPlainText(string html);
HtmlToText htt=new HtmlToText(); var plainText = htt.ConvertHtml(HTMLContent);
这是我的解决scheme：
public string StripHTML(string html) { var regex = new Regex("<[^>]+>", RegexOptions.IgnoreCase); return System.Web.HttpUtility.HtmlDecode((regex.Replace(html, ""))); }
例：
StripHTML("<p class='test' style='color:red;'>Here is my solution:</p>"); // output -> Here is my solution:
public static string StripTags2（string html）{return html.Replace（“<”，“<”）。Replace（“>”，“>”）; }
通过这个你可以在string中全部转义“<”和“>”。 这是你想要的吗？
