Question

从HTML字符串中获取纯文本字符串的最佳方法是什么？

public string GetPlainText(string htmlString)
{
    // any .NET built in utility?
}

提前致谢

Answer 1

您可以使用MSHTML，这可能非常宽容;

//using microsoft.mshtml
HTMLDocument htmldoc = new HTMLDocument();
IHTMLDocument2 htmldoc2 = (IHTMLDocument2)htmldoc;
htmldoc2.write(new object[] { "<p>Plateau <i>of<i> <b>Leng</b><hr /><b erp=\"arp\">2 sugars please</b> <xxx>what? &amp; who?" });

string txt = htmldoc2.body.outerText;

冷2糖的高原请问什么？＆安培;谁？

Answer 2

据我所知，没有内置实用程序，但根据您的要求，您可以使用正则表达式删除所有标记：

string htmlString = @"<p>I'm HTML!</p>";
Regex.Replace(htmlString, @"<(.|\n)*?>", "");

Answer 3

~~框架中没有内置解决方案。~~

如果您需要解析HTML，我使用名为HTML Agility Pack的库获得了很好的体验它解析HTML文件并通过DOM提供对它的访问，类似于XML类。

Answer 4

就个人而言，我发现正则表达式和HttpUtility的组合是最好和最短的解决方案。

Return HttpUtility.HtmlDecode(
                Regex.Replace(HtmlString, "<(.|\n)*?>", "")
                )

这将删除所有标记，然后对<或>

等任何额外内容进行解码

Answer 5

没有.NET内置方法来执行此操作。但是，正如@rudi_visser指出的那样，它可以用正则表达式来完成。

如果您需要删除的不仅仅是标记（例如，将＆amp; acirc; 转换为â），您可以使用更详细的解决方案，例如找到{ {3}}

Answer 6

Erick Petrucelli的答案在Report Builder中为我工作。必须从c＃更改为VB，以便报表构建器可以理解。谢谢

从.NET中的HTML获取纯文本

6 个答案: