你如何将 Html 转换为纯文本？

Question

我将 Html 片段存储在一个表中。 不是整个页面，没有标签等，只是基本格式。

我希望能够在给定页面上将该 Html 显示为纯文本， _无格式_（实际上只是前 30 - 50 个字符，但这很容易）。

如何将该 Html 中的“文本”作为纯文本放入字符串中？

所以这段代码。

 <b>Hello World.</b><br/><p><i>Is there anyone out there?</i><p>

变成：

你好世界。有没有人在那里？

原文由 Stuart Helwig 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

如果您谈论的是标签剥离，那么如果您不必担心诸如 <script> 标签之类的事情，它就相对简单了。如果您需要做的只是显示不带标签的文本，您可以使用正则表达式来完成：

 <[^>]*>

如果您确实需要担心 <script> 标记等，那么您将需要比正则表达式更强大的东西，因为您需要跟踪状态，更像是上下文无关语法 (CFG)。尽管您可以通过“从左到右”或非贪婪匹配来完成它。

如果你可以使用正则表达式，那么有很多网页提供了很好的信息：

• http://weblogs.asp.net/rosherove/archive/2003/05/13/6963.aspx
• http://www.google.com/search?hl=en&q=html+tag+stripping+&btnG=Search

如果您需要 CFG 的更复杂行为，我建议您使用第三方工具，遗憾的是我不知道有什么好工具可以推荐。

原文由 vfilby 发布，翻译遵循 CC BY-SA 2.5 许可协议

Answer 2

麻省理工学院许可的 HtmlAgilityPack 在其示例之一中 包含一种将 HTML 转换为纯文本的方法。

 var plainText = HtmlUtilities.ConvertToPlainText(string html);

给它一个 HTML 字符串，比如

<b>hello, <i>world!</i></b>

你会得到一个纯文本结果，如：

 hello world!

原文由 Judah Gabriel Himango 发布，翻译遵循 CC BY-SA 4.0 许可协议