如何在 C# 中将 HTML 转换为文本？

Posted 2023-03-05

【中文标题】如何在 C# 中将 HTML 转换为文本？

【英文标题】：How can I Convert HTML to Text in C#?

【发布时间】：2010-10-18 09:56:58

【问题描述】：

我正在寻找将 html 文档转换为纯文本的 C# 代码。

我不是在寻找简单的标签剥离，而是在合理保留原始布局的情况下输出纯文本。

输出应如下所示：

Html2Txt at W3C

我查看了 HTML Agility Pack，但我认为这不是我需要的。有人有其他建议吗？

编辑：我刚刚从CodePlex 下载了 HTML Agility Pack，然后运行了 Html2Txt 项目。多么令人失望（至少是进行 html 到文本转换的模块）！它所做的只是剥离标签、展平表格等。输出看起来与 W3C 生成的 Html2Txt 完全不同。太糟糕了，该来源似乎不可用。 我正在寻找是否有更“罐装”的解决方案可用。

编辑 2：感谢大家的建议。 FlySwat 将我引向了我想去的方向。我可以使用System.Diagnostics.Process 类来运行带有“-dump”开关的lynx.exe，以将文本发送到标准输出，并使用ProcessStartInfo.UseShellExecute = false 和ProcessStartInfo.RedirectStandardOutput = true 捕获标准输出。我将把所有这些包装在一个 C# 类中。这段代码只会偶尔被调用，所以我不太担心产生一个新进程而不是在代码中执行它。另外，Lynx 速度很快！！

【问题讨论】：

为什么 Html Agility Pack 不能满足您的需求？可能有助于引导人们满足您的特定要求。

我没有仔细看，也许它会起作用？你能指出我某处的代码示例吗？

Matt 你写过这段代码吗？很想看看结果。

我很快就会发布它（这周放了一天假，这不是太难）。有足够多的人喜欢这个问题，我很高兴！

嗨，马特，您是否设法将 lynx 包装在一个 c# 类中 - 我面临着同样的要求并且不想像以前那样重新发明***。

【参考方案1】：

只是关于 HtmlAgilityPack 的注释，供后人参考。该项目包含一个example of parsing text to html，正如 OP 所指出的，它根本不像任何编写 HTML 的人所设想的那样处理空格。那里有全文渲染解决方案，其他人对此问题提出了意见，但事实并非如此（它甚至无法处理当前形式的表格），但它轻巧且快速，这是我创建简单文本所需的全部HTML 电子邮件的版本。

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(), @"\s2,", " ")));
                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\n0.\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 ;
    

例如，下面的 HTML 代码...

<!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  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>

...将转化为：

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 

...相对于：

        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

【讨论】：

您还可以处理node.name tr 换行和td 空格来改进表格内的格式。

你能发布一个返回格式化输出字符串的代码，即相同数量的新行空间等

看起来很有趣，虽然它不处理 HR。

当前显示的代码中有一个粗略的位——if(textInfo.LastCharWasSpace = char.IsWhiteSpace(html[html.Length - 1]))（注意单个=）似乎对if() 语句中的赋值产生了副作用。这是一种代码异味，很难推断出意图与错字。

【参考方案2】：

你可以用这个：

 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;
        

更新

感谢我更新的 cmets 以改进此功能

【讨论】：

这是不完整的......例如，它不考虑像   这样的实体。等等……

太棒了，如果结合HtmlDecoded会更好，我的意思是：'HTMLText = HttpUtility.HtmlDecode(HTMLText);'

这实际上是一个很好的例子！我在我的网络应用程序中使用了它。我们所有的内容都以 HTML 格式存储在数据库中。一个更直接的例子是像这样使用它。字符串测试 = HttpUtility.HtmlDecode(StripHTML(htmlText));

如果不在网络项目中，您也可以尝试 System.Net.WebUtiltiy.HtmlDecode()

如果想在Portable类库中使用WebUtility，可以使用这个nuget包。 nuget.org/packages/PCLWebUtility

【参考方案3】：

我从可靠消息来源获悉，如果您在 .Net 中进行 HTML 解析，您应该再次查看 HTML 敏捷包。

http://www.codeplex.com/htmlagilitypack

SO 上的一些示例..

HTML Agility pack - parsing tables

【讨论】：

祝你好运..我不假装它会很容易..但我认为这是正确的道路。

【参考方案4】：

您正在寻找的是一个输出文本的文本模式 DOM 渲染器，很像 Lynx 或其他文本浏览器...这比您预期的要难得多。

【讨论】：

不，它实际上使它更容易！ （见问题编辑）。再次感谢！

@MattCrouch 如何让它变得更容易？原始问题中的 Edit 2 答案只不过是一个 hack - 我完全不能接受，我怀疑几乎任何人的情况 - 你会承认这一点吗？

【参考方案5】：

您是否尝试过http://www.aaronsw.com/2002/html2text/ 它是 Python，但开源。

【参考方案6】：

假设您的 html 格式良好，您也可以尝试 XSL 转换。

这是一个例子：

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);
    

【参考方案7】：

因为我想用 LF 和项目符号转换为纯文本，所以我在 codeproject 上找到了这个漂亮的解决方案，它涵盖了许多转换用例：

Convert HTML to Plain Text

是的，看起来很大，但效果很好。

【参考方案8】：

我在使用 HtmlAgility 时遇到了一些解码问题，我不想花时间调查它。

我使用了来自 Microsoft Team Foundation API 的 that utility：

var text = HtmlFilter.ConvertToPlainText(htmlContent);

【参考方案9】：

最简单的可能是标签剥离结合使用文本布局元素替换一些标签，例如列表元素 (li) 的破折号和 br 和 p 的换行符。 将其扩展到表格应该不会太难。

【讨论】：

好主意，做一个粗略的版本其实很容易。

这取决于 HTML。我在 php 中为一个通过纯文本电子邮件发送帖子每周摘要的 CMS 编写了一个快速而肮脏的版本。在这种情况下，帖子的编辑器只允许某些 HTML 元素。如果允许完整的 HTML 过渡，这应该会更难。

【参考方案10】：

Another post 建议HTML agility pack：

这是一个敏捷的 HTML 解析器， 构建一个读/写 DOM 并支持 普通的 XPATH 或 XSLT（你实际上 不必了解 XPATH 也不必 XSLT 使用它，不用担心...）。它是 一个 .NET 代码库，可让您 解析“网络之外”的 HTML 文件。这 解析器对“真实的 世界”格式错误的 HTML。对象 模型与提议的非常相似 System.Xml，但用于 HTML 文档（或 流）。

【参考方案11】：

我过去使用过Detagger。它在将 HTML 格式化为文本方面做得非常好，而且不仅仅是一个标签删除器。

【参考方案12】：

此功能将“您在浏览器中看到的内容”转换为带有换行符的纯文本。 （如果您想在浏览器中查看结果，只需使用注释返回值）

public string HtmlFileToText(string filePath)

    using (var browser = new WebBrowser())
    
        string text = File.ReadAllText(filePath);
        browser.ScriptErrorsSuppressed = true;
        browser.Navigate("about:blank");
        browser?.Document?.OpenNew(false);
        browser?.Document?.Write(text);
        return browser.Document?.Body?.InnerText;
        //return browser.Document?.Body?.InnerText.Replace(Environment.NewLine, "<br />");
       

【参考方案13】：

这是使用 HtmlAgilityPack 的简短而甜蜜的回答。您可以在 LinqPad 中运行它。

var html = "<div>..whatever html</div>";
var doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(html);
var plainText = doc.DocumentNode.InnerText;

我只是在任何需要 HTML 解析的 .NET 项目中使用 HtmlAgilityPack。它简单、可靠且快速。

【参考方案14】：

我不懂 C#，但这里有一个相当小且易于阅读的 python html2txt 脚本：http://www.aaronsw.com/2002/html2text/

【讨论】：

这更接近我正在寻找的，但这仍然“扁平化”了 html 表格。 :(

【参考方案15】：

我有recently blogged on a solution，它通过使用 Markdown XSLT 文件来转换 HTML 源代码。 HTML 源代码当然首先需要是有效的 XML

【参考方案16】：

试试简单实用的方法：只需拨打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 "";

        

【参考方案17】：

在 Genexus 中你可以用正则表达式制作

&pattern = ']+>'

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

在 Genexus possiamo gestirlo con 正则表达式中，

【参考方案18】：

如果您使用的是 .NET 框架 4.5，则可以使用 System.Net.WebUtility.HtmlDecode()，它采用 HTML 编码字符串并返回解码字符串。

记录在 MSDN 上：http://msdn.microsoft.com/en-us/library/system.net.webutility.htmldecode(v=vs.110).aspx

您也可以在 Windows 应用商店应用中使用它。

【讨论】：

这不是将 HTML 转换为文本，而是用于将 HTML 编码的字符串转换为纯 HTML（标签）。

【参考方案19】：

您可以使用 WebBrowser 控件在内存中呈现您的 html 内容。 LoadCompleted 事件触发后...

IHTMLDocument2 htmlDoc = (IHTMLDocument2)webBrowser.Document;
string innerHTML = htmlDoc.body.innerHTML;
string innerText = htmlDoc.body.innerText;

【参考方案20】：

这是在 C# 中将 HTML 转换为 Text 或 RTF 的另一种解决方案：

    SautinSoft.HtmlToRtf h = new SautinSoft.HtmlToRtf();
    h.OutputFormat = HtmlToRtf.eOutputFormat.TextUnicode;
    string text = h.ConvertString(htmlString);

这个库不是免费的，这是商业产品，是我自己的产品。

【讨论】：

Max，请清楚这是您推荐的产品。你所有的答案 IIRC 都是你推荐这个产品。 SO 社区对垃圾邮件/人造草皮非常保护和敏感。如果您不清楚，并且您在这里所做的只是建议人们购买您的软件，那么您最终将弊大于利。

您好！是的，这是我的产品——你是对的，很抱歉这篇文章看起来像广告。我现在就改一下，让它没有任何广告。