[c#] Html을 일반 텍스트로 어떻게 변환합니까?

Question 1

테이블에 저장된 Html 조각이 있습니다. 전체 페이지가 아니라 태그 등이 아니라 기본 서식입니다.

주어진 페이지에서 해당 Html을 텍스트로만 표시하고 서식은 지정하지 않고 싶습니다 (실제로는 처음 30-50 자이지만 쉬운 부분입니다).

해당 Html 내의 “텍스트”를 직선 텍스트로 문자열에 배치하는 방법은 무엇입니까?

그래서이 코드 조각.

<b>Hello World.</b><br/><p><i>Is there anyone out there?</i><p>

된다 :

안녕하세요. 거기 누구 있어요?

Question 2

태그 제거에 대해 이야기하는 경우 <script>태그 와 같은 것에 대해 걱정할 필요가 없으면 비교적 간단 합니다. 태그없이 텍스트를 표시하기 만하면 정규식으로 수행 할 수 있습니다.

<[^>]*>

<script>태그 등에 대해 걱정할 필요가있는 경우 상태를 추적해야하므로 CFG (Context Free Grammar)와 같은 것이므로 정규 표현식보다 더 강력한 것이 필요합니다. ‘왼쪽에서 오른쪽으로’또는 탐욕스럽지 않은 일치를 통해 수행 할 수는 있지만.

정규식을 사용할 수 있다면 좋은 정보가있는 많은 웹 페이지가 있습니다.

CFG의 더 복잡한 동작이 필요한 경우 타사 도구를 사용하는 것이 좋지만, 안타깝게도 권장 할만한 도구가 없습니다.

Question 3

무료 오픈 소스 HtmlAgilityPack 에는 샘플 중 하나에 HTML에서 일반 텍스트로 변환하는 메서드가 있습니다.

var plainText = HtmlUtilities.ConvertToPlainText(string html);

다음과 같은 HTML 문자열을 피드

<b>hello, <i>world!</i></b>

그리고 다음과 같은 일반 텍스트 결과를 얻을 수 있습니다.

hello world!

Question 4

HtmlAgilityPack을 사용할 수 없어서 두 번째로 좋은 솔루션을 작성했습니다.

private static string HtmlToPlainText(string html)
{
    const string tagWhiteSpace = @"(>|$)(\W|\n|\r)+<";//matches one or more (white space or line breaks) between '>' and '<'
    const string stripFormatting = @"<[^>]*(>|$)";//match any character between '<' and '>', even when end tag is missing
    const string lineBreak = @"<(br|BR)\s{0,1}\/{0,1}>";//matches: <br>,<br/>,<br />,<BR>,<BR/>,<BR />
    var lineBreakRegex = new Regex(lineBreak, RegexOptions.Multiline);
    var stripFormattingRegex = new Regex(stripFormatting, RegexOptions.Multiline);
    var tagWhiteSpaceRegex = new Regex(tagWhiteSpace, RegexOptions.Multiline);

    var text = html;
    //Decode html specific characters
    text = System.Net.WebUtility.HtmlDecode(text);
    //Remove tag whitespace/line breaks
    text = tagWhiteSpaceRegex.Replace(text, "><");
    //Replace <br /> with line breaks
    text = lineBreakRegex.Replace(text, Environment.NewLine);
    //Strip formatting
    text = stripFormattingRegex.Replace(text, string.Empty);

    return text;
}

Question 5

HTTPUtility.HTMLEncode()HTML 태그를 문자열로 인코딩하는 것을 의미합니다. 그것은 당신을 위해 모든 무거운 짐을 처리합니다. 로부터 MSDN 문서 :

공백 및 구두점과 같은 문자가 HTTP 스트림에 전달되면 수신 측에서 잘못 해석 될 수 있습니다. HTML 인코딩은 HTML에서 허용되지 않는 문자를 해당 문자 엔티티로 변환합니다. HTML 디코딩은 인코딩을 반대로합니다. 예를 들어 텍스트 블록에 포함 된 경우 <및 문자 는 HTTP 전송을 위해 및 >로 인코딩됩니다 .<>

HTTPUtility.HTMLEncode()여기 에 자세한 방법 :

public static void HtmlEncode(
  string s,
  TextWriter output
)

용법:

String TestString = "This is a <Test String>.";
StringWriter writer = new StringWriter();
Server.HtmlEncode(TestString, writer);
String EncodedString = writer.ToString();

Question 6

vfilby의 답변에 추가하려면 코드 내에서 RegEx 바꾸기를 수행하면됩니다. 새로운 수업이 필요하지 않습니다. 저와 같은 다른 초보자들이이 질문에 대해 답답한 경우.

using System.Text.RegularExpressions;

그때…

private string StripHtml(string source)
{
        string output;

        //get rid of HTML tags
        output = Regex.Replace(source, "<[^>]*>", string.Empty);

        //get rid of multiple blank lines
        output = Regex.Replace(output, @"^\s*$\n", string.Empty, RegexOptions.Multiline);

        return output;
}

Question 7

HTML을 일반 텍스트로 변환하는 3 단계 프로세스

먼저 HtmlAgilityPack 용 Nuget 패키지를 설치해야합니다.
두 번째이 클래스를 만듭니다.

public class HtmlToText
{
    public HtmlToText()
    {
    }

    public string Convert(string path)
    {
        HtmlDocument doc = new HtmlDocument();
        doc.Load(path);

        StringWriter sw = new StringWriter();
        ConvertTo(doc.DocumentNode, sw);
        sw.Flush();
        return sw.ToString();
    }

    public string ConvertHtml(string html)
    {
        HtmlDocument doc = new HtmlDocument();
        doc.LoadHtml(html);

        StringWriter sw = new StringWriter();
        ConvertTo(doc.DocumentNode, sw);
        sw.Flush();
        return sw.ToString();
    }

    private void ConvertContentTo(HtmlNode node, TextWriter outText)
    {
        foreach(HtmlNode subnode in node.ChildNodes)
        {
            ConvertTo(subnode, outText);
        }
    }

    public void ConvertTo(HtmlNode node, TextWriter outText)
    {
        string html;
        switch(node.NodeType)
        {
            case HtmlNodeType.Comment:
                // don't output comments
                break;

            case HtmlNodeType.Document:
                ConvertContentTo(node, outText);
                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.Trim().Length > 0)
                {
                    outText.Write(HtmlEntity.DeEntitize(html));
                }
                break;

            case HtmlNodeType.Element:
                switch(node.Name)
                {
                    case "p":
                        // treat paragraphs as crlf
                        outText.Write("\r\n");
                        break;
                }

                if (node.HasChildNodes)
                {
                    ConvertContentTo(node, outText);
                }
                break;
        }
    }
}

유다 히 망고의 답변을 참조하여 위의 클래스를 사용하여

셋째, 위 클래스의 객체를 생성하고 ConvertHtml(HTMLContent)HTML을 일반 텍스트로 변환하는 방법을 사용해야합니다.ConvertToPlainText(string html);

HtmlToText htt=new HtmlToText();
var plainText = htt.ConvertHtml(HTMLContent);

Question 8

긴 인라인 공백을 축소하지 않는 제한이 있지만 확실히 이식 가능하며 웹 브라우저와 같은 레이아웃을 존중합니다.

static string HtmlToPlainText(string html) {
  string buf;
  string block = "address|article|aside|blockquote|canvas|dd|div|dl|dt|" +
    "fieldset|figcaption|figure|footer|form|h\\d|header|hr|li|main|nav|" +
    "noscript|ol|output|p|pre|section|table|tfoot|ul|video";

  string patNestedBlock = $"(\\s*?</?({block})[^>]*?>)+\\s*";
  buf = Regex.Replace(html, patNestedBlock, "\n", RegexOptions.IgnoreCase);

  // Replace br tag to newline.
  buf = Regex.Replace(buf, @"<(br)[^>]*>", "\n", RegexOptions.IgnoreCase);

  // (Optional) remove styles and scripts.
  buf = Regex.Replace(buf, @"<(script|style)[^>]*?>.*?</\1>", "", RegexOptions.Singleline);

  // Remove all tags.
  buf = Regex.Replace(buf, @"<[^>]*(>|$)", "", RegexOptions.Multiline);

  // Replace HTML entities.
  buf = WebUtility.HtmlDecode(buf);
  return buf;
}