Question

我尝试使用以下函数将html转换为纯文本，但转换时仍然出错。

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);
            text = text.Replace(">", "");

            return text;
        }

当我尝试调试代码时，它在纯文本输出中显示\ r和\ r \ n。此函数未正确地将html转换为纯文本。任何人都可以建议我任何其他转换功能吗？

由于

Answer 1

您可以使用HtmlAgilityPack的HtmlToText演示，该演示可以是found here。

我看了其他答案，但他们都提出了涉及正则表达式的各种解决方案。我认为HtmlAgilityPack没有得到足够的重视。

您需要做的就是在项目中插入NuGet package并按照示例进行操作。

如何将HTML转换为纯文本

1 个答案: