如何將HTML解碼為字符串？

Question

我需要將HTML解碼為純文本。 我知道有很多這樣的問題，但是我注意到這些解決方案存在一個問題，並且不知道如何解決。

例如，我們有一段HTML： <h1><strong>Some text</strong></h1><p><br></p><p>Some more text</p>

嘗試過正則表達式解決方案，即HttpUtility.HtmlDecode方法。 所有這些都給出以下輸出： Some textSome more text 。 單詞在應該分開的地方連接在一起。 有沒有一種方法可以解碼字符串而不合並單詞？

Answer 1

簡單的方法是使用HTML Agility Pack：

HtmlDocument htmlDocument= new HtmlDocument();
htmlDocument.Load(htmlString);
string res=htmlDocument.DocumentNode.SelectSingleNode("YOUR XPATH TO THE INTRESTING ELEMENT").InnerText

Answer 2

目前尚不清楚在最初沒有分離的事物之間要使用什么分隔符。 因此，我使用了NewLine \\n 。
Where(x=>!string.IsNullOrWhiteSpace(x)將刪除空元素，這將在更復雜的html文檔中導致很多\\n\\n

var input = "<h1><strong>Some text</strong></h1><p><br></p><p>Some more text</p>";
var htmlDocument = new HtmlDocument();
htmlDocument.LoadHtml(input);

var result = string.Join(
                "\n", 
                htmlDocument
                    .DocumentNode
                    .ChildNodes
                    .Select(x=> x.InnerText)
                    .Where(x=>!string.IsNullOrWhiteSpace(x))
              );

結果：

“有些文字\\ n有些文字”

Answer 3

您可以使用以下方法。 在此示例中，我使用了新行來分隔內部文本，希望您可以對此進行調整以適合您的情況。

public static string GetPlainTextFromHTML(string inputText)
    {
        // Extracted plain text
        var plainText = string.Empty;

        if(string.IsNullOrWhiteSpace(inputText))
        {
            return plainText;
        }

        var htmlNote = new HtmlDocument();
        htmlNote.LoadHtml(inputText);

        var nodes = htmlNote.DocumentNode.ChildNodes;
        if(nodes == null)
        {
            return plainText;
        }

        StringBuilder innerString = new StringBuilder();

        // Replace <p> with new lines
        foreach (HtmlNode node in nodes) 
        {
            innerString.Append(node.InnerText);
            innerString.Append("\\n");
        }

        plainText = innerString.ToString();
        return plainText;
    }

Answer 4

您可以使用正則表達式：<（div | / div | br | p | / p）[^>] {0，}>