将网页转换为纯文本..？
Posted
技术标签:
【中文标题】将网页转换为纯文本..？【英文标题】：Convert webpage into plain text..? 【发布时间】：2011-10-01 08:51:44 【问题描述】：我正在尝试将网页转换为纯文本。但是，如果我遇到表格，我也会得到 td 和 tr 标签。如果我替换那些表格标签，那么我将无法获取某些内容。
这是我的代码
string s = Regex.Replace(htmldoc, "<script.*?</script>", "", RegexOptions.Singleline | RegexOptions.IgnoreCase);
s = Regex.Replace(s, "<!--.*?-->", "", RegexOptions.Singleline | RegexOptions.IgnoreCase);
s = Regex.Replace(s, "<style.*?style>", "", RegexOptions.Singleline | RegexOptions.IgnoreCase);
s = Regex.Replace(s, "<a.*?a>", "", RegexOptions.Singleline | RegexOptions.IgnoreCase);
s = Regex.Replace(s, "<img.*?img>", "", RegexOptions.Singleline | RegexOptions.IgnoreCase);
s = Regex.Replace(s, "<table.*?table>", "", RegexOptions.Singleline | RegexOptions.IgnoreCase);
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(s);
s = doc.DocumentNode.SelectSingleNode("//body").InnerText.Trim();
请检查一下并告诉我如何在不获取 td 和 tr 标签的情况下从表中获取内容。
【问题讨论】：
我会强制警告使用regex to parse XML/HTML 是不明智的。您的问题很好地说明了这一点，HTML 表格标签的树形结构使其难以在正则表达式中处理。 可能重复：***.com/questions/731649/… 【参考方案1】：如果您使用 HTML Agility 包来解析表格，则无需使用正则表达式删除 HTML 标记。 SO上有一些使用HTML Agility包解析表格的好例子。例如：HTML Agility pack - parsing tables
【讨论】：
【参考方案2】：可以使用正文的InnerText：
string html = @"
<html>
<title>title</title>
<body>
<h1> The wheel.</h1>
Stop reinventing the wheel ! Use powerful APIs
for manipulating html docs !
<h3> I am fine </h3>
<img src=""da_wheel_in_my_mind.png""/>
</body>
</html>";
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(html);
string text = doc.DocumentNode.SelectSingleNode("//body").InnerText;
接下来，您可能想要折叠空格和换行：
text = Regex.Replace(text, @"\s+", " ").Trim();
但是请注意，虽然它在这种情况下工作，但 hello<br>world 或 hello<i>world</i> 等标记将由 InnerText 转换为 helloworld - 删除标签。这个问题很难解决，因为显示通常由 CSS 决定，而不仅仅是由标记决定。
【讨论】：
我已经这样做了..但我的问题是如何解析表...？如果一个表包含另一个表，而您不知道它包含多少表，那么您将如何获取内部文本 有些东西我不明白。你如何加载你的htmldoc 变量？
Webclient wb=new WebClient();htmldoc=wb.downloadstring(querry);以上是关于将网页转换为纯文本..？的主要内容，如果未能解决你的问题，请参考以下文章
如何使用 Ajax 将 Summernote 文本从 JSON 数据转换为纯文本？
将 HTML 代码转换为纯文本，格式可用于文本文件 [重复]