Как конвертировать HTML в текст на C#?

Question

Как конвертировать HTML в текст на C#?

Я ищу код C# для преобразования HTML-документа в обычный текст.

Я не ищу простой тег удаления , но что-то, что будет выводить обычный текст с помощью разумный сохранение оригинального макета.

вывод должен выглядеть так:

Html2Txt на W3C

Я посмотрел на HTML Agility Pack, но я не думаю, что это то, что мне нужно. У кого-нибудь есть другие предложения?

EDIT: Я просто загружаю HTML Agility Pack из CodePlex, и запустил проект Html2Txt. Какое разочарование (по крайней мере модуль, который делает HTML для преобразования текста)! Все, что он делал, это снимал теги, сглаживал таблицы и т. д. Выходные данные не выглядели как Html2Txt @ W3C производства. Жаль, что источник не доступен.
Я искал, есть ли более "консервированное" решение доступный.

EDIT 2: спасибо всем за ваши предложения. FlySwat наклонил меня в том направлении, куда я хотел пойти. Я могу использовать System.Diagnostics.Process класс для запуска lynx.exe с переключателем "- dump " для отправки текста на стандартный вывод и захвата stdout с помощью ProcessStartInfo.UseShellExecute = false и ProcessStartInfo.RedirectStandardOutput = true. Я оберну все это в класс C#. Этот код будет вызываться только иногда, поэтому я не слишком беспокоюсь о создании нового процесса против выполнения его в коде. Плюс, рысь это Быстро!!

910 18

c#html

18 ответов:

Comments

Ничего не найдено.

FlySwat · Accepted Answer · 2012-01-23 18:12:59

то, что вы ищете,-это текстовый режим DOM renderer, который выводит текст, так же как Lynx или другие текстовые браузеры...Это гораздо труднее сделать, чем можно было бы ожидать.

Brent · Accepted Answer · 2018-06-29 14:02:59

просто заметка о HtmlAgilityPack для потомков. Проект содержит пример разбора текста в html, который, как отмечает OP, вообще не обрабатывает пробелы, как любой, кто пишет HTML. Там есть полнотекстовые решения для рендеринга, отмеченные другими на этот вопрос, чего нет (он даже не может обрабатывать таблицы в своей текущей форме), но он легкий и быстрый, что все, что я хотел для создания простой текстовой версии HTML-писем.

using System.IO;
using System.Text.RegularExpressions;
using HtmlAgilityPack;

//small but important modification to class https://github.com/zzzprojects/html-agility-pack/blob/master/src/Samples/Html2Txt/HtmlConvert.cs
public static class HtmlToText
{

    public static string Convert(string path)
    {
        HtmlDocument doc = new HtmlDocument();
        doc.Load(path);
        return ConvertDoc(doc);
    }

    public static string ConvertHtml(string html)
    {
        HtmlDocument doc = new HtmlDocument();
        doc.LoadHtml(html);
        return ConvertDoc(doc);
    }

    public static string ConvertDoc (HtmlDocument doc)
    {
        using (StringWriter sw = new StringWriter())
        {
            ConvertTo(doc.DocumentNode, sw);
            sw.Flush();
            return sw.ToString();
        }
    }

    internal static void ConvertContentTo(HtmlNode node, TextWriter outText, PreceedingDomTextInfo textInfo)
    {
        foreach (HtmlNode subnode in node.ChildNodes)
        {
            ConvertTo(subnode, outText, textInfo);
        }
    }
    public static void ConvertTo(HtmlNode node, TextWriter outText)
    {
        ConvertTo(node, outText, new PreceedingDomTextInfo(false));
    }
    internal static void ConvertTo(HtmlNode node, TextWriter outText, PreceedingDomTextInfo textInfo)
    {
        string html;
        switch (node.NodeType)
        {
            case HtmlNodeType.Comment:
                // don't output comments
                break;
            case HtmlNodeType.Document:
                ConvertContentTo(node, outText, textInfo);
                break;
            case HtmlNodeType.Text:
                // script and style must not be output
                string parentName = node.ParentNode.Name;
                if ((parentName == "script") || (parentName == "style"))
                {
                    break;
                }
                // get text
                html = ((HtmlTextNode)node).Text;
                // is it in fact a special closing node output as text?
                if (HtmlNode.IsOverlappedClosingElement(html))
                {
                    break;
                }
                // check the text is meaningful and not a bunch of whitespaces
                if (html.Length == 0)
                {
                    break;
                }
                if (!textInfo.WritePrecedingWhiteSpace || textInfo.LastCharWasSpace)
                {
                    html= html.TrimStart();
                    if (html.Length == 0) { break; }
                    textInfo.IsFirstTextOfDocWritten.Value = textInfo.WritePrecedingWhiteSpace = true;
                }
                outText.Write(HtmlEntity.DeEntitize(Regex.Replace(html.TrimEnd(), @"\s{2,}", " ")));
                if (textInfo.LastCharWasSpace = char.IsWhiteSpace(html[html.Length - 1]))
                {
                    outText.Write(' ');
                }
                    break;
            case HtmlNodeType.Element:
                string endElementString = null;
                bool isInline;
                bool skip = false;
                int listIndex = 0;
                switch (node.Name)
                {
                    case "nav":
                        skip = true;
                        isInline = false;
                        break;
                    case "body":
                    case "section":
                    case "article":
                    case "aside":
                    case "h1":
                    case "h2":
                    case "header":
                    case "footer":
                    case "address":
                    case "main":
                    case "div":
                    case "p": // stylistic - adjust as you tend to use
                        if (textInfo.IsFirstTextOfDocWritten)
                        {
                            outText.Write("\r\n");
                        }
                        endElementString = "\r\n";
                        isInline = false;
                        break;
                    case "br":
                        outText.Write("\r\n");
                        skip = true;
                        textInfo.WritePrecedingWhiteSpace = false;
                        isInline = true;
                        break;
                    case "a":
                        if (node.Attributes.Contains("href"))
                        {
                            string href = node.Attributes["href"].Value.Trim();
                            if (node.InnerText.IndexOf(href, StringComparison.InvariantCultureIgnoreCase)==-1)
                            {
                                endElementString =  "<" + href + ">";
                            }  
                        }
                        isInline = true;
                        break;
                    case "li": 
                        if(textInfo.ListIndex>0)
                        {
                            outText.Write("\r\n{0}.\t", textInfo.ListIndex++); 
                        }
                        else
                        {
                            outText.Write("\r\n*\t"); //using '*' as bullet char, with tab after, but whatever you want eg "\t->", if utf-8 0x2022
                        }
                        isInline = false;
                        break;
                    case "ol": 
                        listIndex = 1;
                        goto case "ul";
                    case "ul": //not handling nested lists any differently at this stage - that is getting close to rendering problems
                        endElementString = "\r\n";
                        isInline = false;
                        break;
                    case "img": //inline-block in reality
                        if (node.Attributes.Contains("alt"))
                        {
                            outText.Write('[' + node.Attributes["alt"].Value);
                            endElementString = "]";
                        }
                        if (node.Attributes.Contains("src"))
                        {
                            outText.Write('<' + node.Attributes["src"].Value + '>');
                        }
                        isInline = true;
                        break;
                    default:
                        isInline = true;
                        break;
                }
                if (!skip && node.HasChildNodes)
                {
                    ConvertContentTo(node, outText, isInline ? textInfo : new PreceedingDomTextInfo(textInfo.IsFirstTextOfDocWritten){ ListIndex = listIndex });
                }
                if (endElementString != null)
                {
                    outText.Write(endElementString);
                }
                break;
        }
    }
}
internal class PreceedingDomTextInfo
{
    public PreceedingDomTextInfo(BoolWrapper isFirstTextOfDocWritten)
    {
        IsFirstTextOfDocWritten = isFirstTextOfDocWritten;
    }
    public bool WritePrecedingWhiteSpace {get;set;}
    public bool LastCharWasSpace { get; set; }
    public readonly BoolWrapper IsFirstTextOfDocWritten;
    public int ListIndex { get; set; }
}
internal class BoolWrapper
{
    public BoolWrapper() { }
    public bool Value { get; set; }
    public static implicit operator bool(BoolWrapper boolWrapper)
    {
        return boolWrapper.Value;
    }
    public static implicit operator BoolWrapper(bool boolWrapper)
    {
        return new BoolWrapper{ Value = boolWrapper };
    }
}

в качестве примера приведен следующий HTML-код...

<!DOCTYPE HTML>
<html>
    <head>
    </head>
    <body>
        <header>
            Whatever Inc.
        </header>
        <main>
            <p>
                Thanks for your enquiry. As this is the 1<sup>st</sup> time you have contacted us, we would like to clarify a few things:
            </p>
            <ol>
                <li>
                    Please confirm this is your email by replying.
                </li>
                <li>
                    Then perform this step.
                </li>
            </ol>
            <p>
                Please solve this <img alt="complex equation" src="http://upload.wikimedia.org/wikipedia/commons/8/8d/First_Equation_Ever.png"/>. Then, in any order, could you please:
            </p>
            <ul>
                <li>
                    a point.
                </li>
                <li>
                    another point, with a <a href="http://en.wikipedia.org/wiki/Hyperlink">hyperlink</a>.
                </li>
            </ul>
            <p>
                Sincerely,
            </p>
            <p>
                The whatever.com team
            </p>
        </main>
        <footer>
            Ph: 000 000 000<br/>
            mail: whatever st
        </footer>
    </body>
</html>

...будет преобразован в:

Whatever Inc. 


Thanks for your enquiry. As this is the 1st time you have contacted us, we would like to clarify a few things: 

1.  Please confirm this is your email by replying. 
2.  Then perform this step. 

Please solve this [complex equation<http://upload.wikimedia.org/wikipedia/commons/8/8d/First_Equation_Ever.png>]. Then, in any order, could you please: 

*   a point. 
*   another point, with a hyperlink<http://en.wikipedia.org/wiki/Hyperlink>. 

Sincerely, 

The whatever.com team 


Ph: 000 000 000
mail: whatever st

...в отличие от:

        Whatever Inc.


            Thanks for your enquiry. As this is the 1st time you have contacted us, we would like to clarify a few things:

                Please confirm this is your email by replying.

                Then perform this step.


            Please solve this . Then, in any order, could you please:

                a point.

                another point, with a hyperlink.


            Sincerely,


            The whatever.com team

        Ph: 000 000 000
        mail: whatever st

Richard · Accepted Answer · 2015-04-22 10:52:18

вы могли бы использовать это:
 public static string StripHTML(string HTMLText, bool decode = true)
        {
            Regex reg = new Regex("<[^>]+>", RegexOptions.IgnoreCase);
            var stripped = reg.Replace(HTMLText, "");
            return decode ? HttpUtility.HtmlDecode(stripped) : stripped;
        }
Обновлено

Спасибо за комментарии, я обновил, чтобы улучшить эту функцию

madcolor · Accepted Answer · 2017-05-23 15:18:11

Я слышал из надежного источника, что, если вы делаете анализ HTML в .Net, вы должны снова посмотреть на пакет HTML agility pack..

http://www.codeplex.com/htmlagilitypack

некоторые образцы на так..

HTML Agility pack-таблицы разбора

Vaclav Svara · Accepted Answer · 2012-10-04 19:06:01

потому что я хотел преобразования в обычный текст с LF и пули, я нашел это довольно решение на codeproject, который охватывает многие преобразования usecases:

преобразование HTML в обычный текст

Да, выглядит так большой, но работает нормально.

inspite · Accepted Answer · 2009-04-08 23:27:48

вы пробовали http://www.aaronsw.com/2002/html2text/ это Python, но с открытым исходным кодом.

Dennis George · Accepted Answer · 2012-06-07 05:09:20

предполагая, что у вас хорошо сформирован html, вы также можете попробовать преобразование XSL.

вот пример:

using System;
using System.IO;
using System.Xml.Linq;
using System.Xml.XPath;
using System.Xml.Xsl;

class Html2TextExample
{
    public static string Html2Text(XDocument source)
    {
        var writer = new StringWriter();
        Html2Text(source, writer);
        return writer.ToString();
    }

    public static void Html2Text(XDocument source, TextWriter output)
    {
        Transformer.Transform(source.CreateReader(), null, output);
    }

    public static XslCompiledTransform _transformer;
    public static XslCompiledTransform Transformer
    {
        get
        {
            if (_transformer == null)
            {
                _transformer = new XslCompiledTransform();
                var xsl = XDocument.Parse(@"<?xml version='1.0'?><xsl:stylesheet version=""1.0"" xmlns:xsl=""http://www.w3.org/1999/XSL/Transform"" exclude-result-prefixes=""xsl""><xsl:output method=""html"" indent=""yes"" version=""4.0"" omit-xml-declaration=""yes"" encoding=""UTF-8"" /><xsl:template match=""/""><xsl:value-of select=""."" /></xsl:template></xsl:stylesheet>");
                _transformer.Load(xsl.CreateNavigator());
            }
            return _transformer;
        }
    }

    static void Main(string[] args)
    {
        var html = XDocument.Parse("<html><body><div>Hello world!</div></body></html>");
        var text = Html2Text(html);
        Console.WriteLine(text);
    }
}

EricSchaefer · Accepted Answer · 2009-04-09 09:17:06

самым простым, вероятно, будет удаление тегов в сочетании с заменой некоторых тегов элементами макета текста, такими как тире для элементов списка (li) и разрывы строк для br и p. Это не должно быть слишком сложно, чтобы распространить это на таблицы.

Nir · Accepted Answer · 2015-10-18 10:43:36

У меня были некоторые проблемы декодирования с HtmlAgility, и я не хотел тратить время на его изучение.

вместо этого я использовал утилиты из API Microsoft Team Foundation:
var text = HtmlFilter.ConvertToPlainText(htmlContent);

crb · Accepted Answer · 2017-05-23 15:02:38

следующий пост предполагает HTML agility pack:

Это гибкий HTML-парсер, который создает DOM для чтения / записи и поддерживает обычный XPATH или XSLT (вы на самом деле не нужно понимать выражение XPath, ни XSLT, чтобы использовать его, не волнуйтесь...). Это библиотека кода .NET, которая позволяет разбор" из интернета " HTML файлов. Этот парсер очень терпим с "Реалом мир" искаженной HTML. Объект модель очень похожа на то, что предлагает Система.Xml, но для документов HTML (или потоки.)

Brian Genisio · Accepted Answer · 2009-04-09 01:20:25

Я использовал Detagger в прошлом. Он делает довольно хорошую работу по форматированию HTML в виде текста и больше, чем просто удаление тегов.

jw. · Accepted Answer · 2009-04-08 23:28:40

Я не знаю C#, но здесь есть довольно маленький и простой для чтения скрипт python html2txt:http://www.aaronsw.com/2002/html2text/

ProNotion · Accepted Answer · 2009-11-05 23:01:25

У меня есть недавно написал в блоге о решении это сработало для меня, используя файл Markdown XSLT для преобразования источника HTML. Источник HTML, конечно, должен быть действительным XML first

Ahosan Karim Asik · Accepted Answer · 2015-06-16 15:11:20

попробуйте простой и удобный способ: просто позвони StripHTML(WebBrowserControl_name);

 public string StripHTML(WebBrowser webp)
        {
            try
            {
                doc.execCommand("SelectAll", true, null);
                IHTMLSelectionObject currentSelection = doc.selection;

                if (currentSelection != null)
                {
                    IHTMLTxtRange range = currentSelection.createRange() as IHTMLTxtRange;
                    if (range != null)
                    {
                        currentSelection.empty();
                        return range.text;
                    }
                }
            }
            catch (Exception ep)
            {
                //MessageBox.Show(ep.Message);
            }
            return "";

        }

user462468 · Accepted Answer · 2011-06-01 17:47:03

в Genexus вы можете сделать с регулярным выражением

&шаблон = ']+>'

&TSTRPNOT=&TSTRPNOT.ReplaceRegEx (&pattern,"")

in Genexus possiamo gestirlo con Regex,

VadimB · Accepted Answer · 2010-09-22 09:52:37

можно использовать WebBrowser управление для отображения в памяти вашего html-контента. После LoadCompleted событие уволен...
IHTMLDocument2 htmlDoc = (IHTMLDocument2)webBrowser.Document;
string innerHTML = htmlDoc.body.innerHTML;
string innerText = htmlDoc.body.innerText;

Tyler · Accepted Answer · 2014-10-26 02:23:55

Если вы используете .NET framework 4.5, вы можете использовать System.Net.WebUtility.HtmlDecode (), который принимает кодированную строку HTML и возвращает декодированную строку.

документировано на MSDN по адресу: http://msdn.microsoft.com/en-us/library/system.net.webutility.htmldecode(v=vs.110).aspx

вы можете использовать это в приложении магазина Windows, а также.

Maxim · Accepted Answer · 2012-01-23 18:14:49

Это еще одно решение для преобразования HTML в текст или RTF в C#:
    SautinSoft.HtmlToRtf h = new SautinSoft.HtmlToRtf();
    h.OutputFormat = HtmlToRtf.eOutputFormat.TextUnicode;
    string text = h.ConvertString(htmlString);
эта библиотека не является бесплатным, это коммерческий продукт, и это мой собственный продукт.