Question

我有一个HTML内容，由用户通过richtext编辑器输入，因此它几乎可以是任何东西（少于那些不应该在body标签之外，不用担心“head”或doctype等）。此内容的一个示例：

<h1>Header 1</h1>
<p>Some text here</p><p>Some more text here</p>
<div align=right><a href="x">A link here</a></div><hr />
<h1>Header 2</h1>
<p>Some text here</p><p>Some more text here</p>
<div align=right><a href="x">A link here</a></div><hr />

诀窍是，我只需要提取文本的前100个字符（HTML标签被剥离）。我还需要保留换行符，不要破坏任何单词。

所以上面的输出将是：

Header 1
Some text here

Some more text here

A link here

Header 2
Some text here

Some

它有98个字符，并保留换行符。到目前为止我可以实现的是使用正则表达式删除所有HTML标记：

Regex.Replace(htmlStr, "<[^>]*>", "")

然后使用正则表达式修剪长度：

Regex.Match(textStr, @"^.{1,100}\b").Value

我的问题是，如何保留换行符？我得到一个输出：

Header 1
Some text hereSome more text here
A link here
Header 2
Some text hereSome more text

注意加入句子？也许有人可以告诉我其他解决这个问题的方法。谢谢！

其他信息：我的目的是从一堆HTML内容生成纯文本摘要。猜猜这有助于澄清这个问题。

Answer 1

我认为如何解决这个问题就好像它是一个简单的浏览器一样。创建一个基类Tag类，使其具有InnerHTML属性和虚拟方法PrintElement。

接下来，为您关心并从基类继承的每个HTML标记创建类。从您的示例来看，您最关心的标签是h1，p，a和hr。实现PrintElement方法，使其返回一个字符串，该字符串根据InnerHTML正确打印出元素（例如p类'PrintElement将返回'\ n [InnerHTML] \ n“）。

接下来，构建一个解析器，它将解析HTML并确定要创建的对象，然后将这些对象添加到队列中（树会更好，但看起来不是为了您的目的）。

最后，遍历队列，为每个元素调用PrintElement方法。

可能比您计划的工作量更多，但它比简单地使用正则表达式更加强大，而且如果您决定在未来改变主意并希望展示简单的样式，那么只需返回并修改您的PrintElement方法。

Answer 2

有关信息，使用正则表达式剥离html是......充满了微妙的问题。 HTML Agility Pack可能更强大，但仍然会出现同时出血的话：

HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(html);
string text = doc.DocumentNode.InnerText;

Answer 3

一种方法是通过三个步骤去除html：

Regex.Replace(htmlStr, "<[^/>]*>", "") // don't strip </.*>
Regex.Replace(htmlStr, "</p>", "\r\n") // all paragraph ends are replaced w/ new line
Regex.Replace(htmlStr, "<[^>]*>", "") // replace remaining </.*>

Answer 4

好吧，我需要关闭它，虽然没有理想的解决方案。由于我的应用程序中使用的HTML标签是非常常见的（没有表格，列表等），很少或没有嵌套，我所做的是在用户输入后保存之前预先格式化HTML片段。

删除所有换行符
为所有块标记添加换行符前缀（例如div，p，hr，h1 / 2/3/4等）

在我将它们提取出来以显示为纯文本之前，请使用正则表达式删除html标记并保留换行符。几乎没有任何火箭科学但对我有用。

从HTML正文中提取文本片段（在.NET中）

4 个答案: