使用 c# 脚本从 HTML 文件中提取数据

Question

我需要做的：提取（From、To、Cc 和 Subject 的信息）并将它们从 HTML 文件中删除。 不使用任何第三方（HTMLAgilityPack 等）

我遇到了什么问题：从 html 标签获取以下内容（从、到、主题、cc）的方法是什么？

我尝试过的步骤：我尝试获取<p class=MsoNormal>的索引和 email @sampleemail.com 的最后一个索引，但我认为这是一个不好的方法，因为在某些 ZFC35FDC70D5FC69D2698ZE23 文件中会有很多“ <p class=MsNormal> ”文件<p class=MsNormal> "，关于删除 from,to,cc 和 subject 我只是使用了 string.Remove(indexOf,我计算了从 indexOf 到 lastIndexOf 的字符) function 并且它有效

包含来自以下信息的示例标签：

<p class=MsoNormal style='margin-left:120.0pt;text-indent:-120.0pt;tab-stops:120.0pt;mso-layout-grid align:none;text-autospace:none'><b><span style='color:black'>From:<span style='mso-tab-count:1'></span></span></b><span style='color:black'>1234@sampleemail.com<o:p></o:p></span></p>                                     

HTML 文件 output：

Answer 1

HTMLAgilityPack是您的朋友。 只需使用 XPath 之类的//p[@class ='MsoNormal']即可获取 HTML 中的标签内容

public static void Main()
{
    var html =
    @"<p class=MsoNormal style='margin-left:120.0pt;text-indent:-120.0pt;tab-stops:120.0pt;mso-layout-grid align:none;text-autospace:none'><b><span style='color:black'>From:<span style='mso-tab-count:1'></span></span></b><span style='color:black'>1234@sampleemail.com<o:p></o:p></span></p>                                     ";

    var htmlDoc = new HtmlDocument();
    htmlDoc.LoadHtml(html);

    var nodes = htmlDoc.DocumentNode.SelectNodes("//p[@class ='MsoNormal']");

    foreach(var node in nodes)
        Console.WriteLine(node.InnerText);      
}

结果：

From:1234@sampleemail.com

---

更新

我们可以使用Regex来编写这个简单的解析器。 但请记住，对于复杂的 html 文档，它无法清除所有情况。

    public static void MainFunc()
    {
        string str = @"<p class='MsoNormal' style='margin-left:120.0pt;text-indent:-120.0pt;tab-stops:120.0pt;mso-layout-grid align:none;text-autospace:none'><b><span style='color:black'>From:<span style='mso-tab-count:1'></span></span></b><span style='color:black'>1234@sampleemail.com<o:p></o:p></span></p>                                     ";
        var result = Regex.Replace(str, "<(?:\"[^\"]*\"['\"]*|'[^']*'['\"]*|[^'\">])+>", "");
        Console.WriteLine(result);
    }