使用.NET删除所有HTML标记并使用返回,空格等格式化文本

Question

我有一个问题是剥离HTML并显示为客户格式的文本.

例如:

asdas<br/>asdas

因此标签将被保证金替换.但我还需要用空格和制表符替换边距并删除所有标签.是否有任何示例或完成的解决方案,以便在删除HTML标记后以某种方式获取格式化文本.

当前的解决方案(寻找更好和完成):

/// <summary>
/// Methods to remove HTML from strings.
/// </summary>
public static class HtmlRemoval
{
    /// <summary>
    /// Compiled regular expression for performance.
    /// </summary>
    static Regex _htmlRegex = new Regex("<.*?>", RegexOptions.Compiled);

    /// <summary>
    /// Remove HTML from string with compiled Regex.
    /// </summary>
    public static string StripAllTagsRegex(string source)
    {
        source = HttpUtility.HtmlEncode(source);
        return _htmlRegex.Replace(source, string.Empty);
    }

    public static string ChangeTagsToTextFormat(string source)
    {
        if (string.IsNullOrEmpty(source))
            return source;

        source = HttpUtility.HtmlEncode(source);
        return source.Replace("<br/>", Environment.NewLine)
            .Replace("</div>", Environment.NewLine)
             .Replace("</p>", Environment.NewLine);
    }
}

Answer 1

我相信HTML Agility Pack是最简单的解决方案,特别是因为你删除(可能是格式错误的)Html标签.下面代码背后的想法是你只需要占用所有节点,返回他们的InnerText以及换行符("\n",或者你想要做的任何格式,因为你在使用SelectNodes之后会有一个Collection可以使用) :

    private string stripTags(string html)
    {
        var output = new StringBuilder();
        HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();

        doc.LoadHtml(html);

        foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//*"))
        {
            output.AppendLine(node.InnerText + Environment.NewLine);
        }

        return output.ToString();
    }

要获得更具体的格式化结果,只需使用SelectNodes方法使用不同的XPath表达式.(此处提供的代码未经过实际测试,您可能希望更精确一些)