以编程方式删除所有HTML和内联格式

Question

我已经接管了一个代码库，我必须阅读这些由microsoft字词生成的html文件，我认为它有各种糟糕的内联格式。

无论如何都要解析所有错误的内联格式，只是从这个流中获取文本。我基本上想要一个编程的净化器，所以我可以应用一些明智的CSS

Answer 1

你应该使用HTML Tidy - 在清理HTML时它是无关紧要的。有article on DevX that describes how to do it from .NET。

Answer 2

最后我写了一个小类，做了一堆查找和替换。不漂亮，但它有效。