使用 C++ 将 HTML 转换为纯文本

Posted 2023-03-05

【中文标题】使用 C++ 将 HTML 转换为纯文本

【英文标题】：Convert HTML to Plain Text using c++

【发布时间】：2011-01-25 11:33:03

【问题描述】：

我正在做需要将 html 文件转换为纯文本的邮件解析应用程序。 关于这一点，我发现了一些可以转换的脚本。 我想在 C++ 中做同样的事情。

所以请向我推荐任何用于将 HTML 转换为纯文本的跨平台和开源 C++ 库。

提前致谢 问候 子比

【问题讨论】：

“转换”是什么意思？ Html 是纯文本！你想去掉html标签吗？

是的。我想去掉 HTML 标签

【参考方案1】：

我发布了 Windows which originally came from @Ben Anderson's C# solution 的 c++ 版本。 请注意，代码还不是很健壮。此外，所有开头和结尾的换行符都将被修剪。

// The trimming method comes from https://***.com/a/1798170/1613961
wstring trim(const std::wstring& str, std::wstring& newline = L"\r\n")

    const auto strBegin = str.find_first_not_of(newline);
    if (strBegin == std::string::npos)
        return L""; // no content

    const auto strEnd = str.find_last_not_of(newline);
    const auto strRange = strEnd - strBegin + 1;

    return str.substr(strBegin, strRange);


wstring HtmlToText(wstring htmlTxt) 

    std::wregex stripFormatting(L"<[^>]*(>|$)"); //match any character between '<' and '>', even when end tag is missing

    wstring s1 = std::regex_replace(htmlTxt, stripFormatting, L"");
    wstring s2 = trim(s1);
    wstring s3 = std::regex_replace(s2, std::wregex(L"\\&nbsp;"), L" ");
    return s3;

【讨论】：

很有趣，但它还应该包括 html 实体转换（你知道，< 之类的东西）

【参考方案2】：

在尝试了几个选项后，我认为更简单的大规模实现方法是使用 elinks。

在 ubuntu 中：

sudo apt-get install elinks
elinks -dump a.html > a.txt

【参考方案3】：

听起来很“明显”，您可以将所有文本保留在 > 和 < 之间

【讨论】：

我认为您误解了我的问题。我的愿望是将 HTML 转换为文本。

@subbi ：HTML 标签包含在 之间，因此剥离它们会给你文本：> & ）和特殊的结构，如 &<...>; (即  , <)

【参考方案4】：

看看html2text。它是一个命令工具，而不是纯库，但包含剥离和转换 html 的代码。所以你应该可以使用它。

【参考方案5】：

尝试使用正则表达式提取html标签并将结果保存为文件文本。但这并不简单。使用这个帮助类DEELX - Regular Expression Engine。

【讨论】：

感谢您提供指向 DEELX 的链接。我不总是喜欢处理包括提升在内的问题。