C#實現輕松從HTML中提取純文本

更新時間：2024年11月12日 11:06:03 作者：謝.鋒

這篇文章主要為大家詳細介紹了C#如何實現輕松從HTML中提取純文本,文中的示例代碼講解詳細,感興趣的小伙伴可以跟隨小編一起學習一下

一.介紹

處理 HTML 內容通常需要提取純文本以進行處理、分析或顯示，而不會產生 HTML 標記的雜亂。在本博客中，我們將探索一種簡單而有效的方法，即使用 C# 中的正則表達式 (Regex) 來剝離 HTML 標記并將 HTML 實體解碼為純文本。此技術在讀取網頁抓取內容、清理電子郵件格式或為機器學習預處理準備文本數據等場景中特別有用。

二.問題陳述

HTML 內容是為網絡瀏覽器設計的，不適用于直接的文本處理。由于 HTML 標簽的嵌套和復雜性質，僅提取文本部分可能很棘手。開發(fā)人員需要一種可靠的方法來高效地將 HTML 轉換為純文本。

三.解決方案概述

我們將使用 C# Regex.Replace 方法刪除 HTML 標簽，并使用 System.Net.WebUtility.HtmlDecode 將 HTML 編碼實體解碼為其文本等效項。此方法提供了一種從 HTML 中提取干凈文本的快速而準確的方法。

四.定義文本提取方法

首先，我們將創(chuàng)建一個接受包含 HTML 的字符串并返回清理后的純文本字符串的方法。

代碼演練

using System;
using System.Text.RegularExpressions;

public class Program
{
    public static void Main()
    {
        // 定義一個包含 HTML 內容的字符串
        string htmlContent = "<p>Hello <b>World!</b></p>";
        
        // 調用 ExtractTextFromHtml 方法從 HTML 中提取純文本
        string plainText = ExtractTextFromHtml(htmlContent);
        
        // 輸出提取的純文本內容
        Console.WriteLine(plainText); // 輸出: Hello World!
    }

    // 定義一個從 HTML 中提取純文本的靜態(tài)方法
    public static string ExtractTextFromHtml(string html)
    {
        // 如果輸入的 HTML 字符串為空，返回空字符串
        if (html == null)
        {
            return "";
        }

        // 使用正則表達式替換所有 HTML 標簽為一個空格
        string plainText = Regex.Replace(html, "<[^>]+?>", " ");
        
        // 解碼 HTML 實體并去除前后空格
        plainText = System.Net.WebUtility.HtmlDecode(plainText).Trim();

        // 返回處理后的純文本
        return plainText;
    }
}