如何将 HTML 解码为字符串

Question

我需要将HTML解码为纯文本。我知道有很多这样的问题，但我注意到这些解决方案有一个问题，不知道如何解决它。

例如，我们有这段 HTML： <h1><strong>Some text</strong></h1><p><br></p><p>Some more text</p>

尝试了正则表达式解决方案，HttpUtility.HtmlDecode方法。他们都给出了这个输出：Some textSome more text.单词在它们应该分开的地方连接起来。有没有办法在不合并单词的情况下解码字符串？

Answer 1

目前尚不清楚您在最初未分离的事物之间使用什么分隔符。所以我用了换行n.
Where(x=>!string.IsNullOrWhiteSpace(x)将删除空元素，这将导致更复杂的 html 文档中出现大量nn

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))
              );

结果：

"一些文本还有一些文本">

Answer 2

简单的方法是使用HTML Agility包：

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

Answer 3

你可以按如下方式使用一些东西。在此示例中，我使用新行来分隔内部文本，希望您可以对其进行调整以适合您的方案。

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

您可以使用正则表达式：<(div|/div|br|p|/p([^>]{0，}>