如何从html中提取文本

我需要提取html的中存在的所有文本。 示例Html输入： –

    
 This is a big title.
 How are doing you? 
 I am fine 
    

输出应该是： –

 This is a big title. How are doing you? I am fine 

我只想将HtmlAgility用于此目的。 请不要正则表达式。

我知道如何加载HtmlDocument，然后使用像’// body’这样的xquery，我们可以获取正文内容。 但是如何删除输出中显示的html？

提前致谢 ：）

Answer 1

你可以使用body的InnerText ：

 string html = @"    
 This is a big title.
 How are doing you? 
 I am fine 
   "; HtmlDocument doc = new HtmlDocument(); doc.LoadHtml(html); string text = doc.DocumentNode.SelectSingleNode("//body").InnerText; 

接下来，您可能想要折叠空格和新行：

 text = Regex.Replace(text, @"\s+", " ").Trim(); 

但请注意，虽然它在这种情况下工作，但是标记如hello
world或helloworld将由InnerText转换为helloworld – 删除标记。 很难解决这个问题，因为显示是由CSS决定的，而不仅仅是标记。

Answer 2

如何使用XPath表达式'//body//text()'来选择所有文本节点？

Answer 3

通常，对于解析html我会推荐一个HTML解析器，但是因为你想删除所有的html标签，一个简单的正则表达式应该可行。

Answer 4

您可以使用支持HTML文本提取的NUglify ：

 var result = Uglify.HtmlToText("
 
This is  a text 
 
"); Console.WriteLine(result.Code); // prints: This is a text 

由于它使用HTML5自定义解析器，它应该非常健壮（特别是如果文档不包含任何错误）并且非常快（没有regexp但是纯粹的递归下降解析器，比HtmlAgilityPack更快且更友好的GC）