从 HTML 正文中提取文本片段（在 .NET 中）
我有一个由用户通过富文本编辑器输入的 HTML 内容，因此它几乎可以是任何内容（减去那些不应该在 body 标记之外的内容，不用担心“head”或 doctype 等）。 此内容的示例：
<h1>Header 1</h1>
<p>Some text here</p><p>Some more text here</p>
<div align=right><a href="x">A link here</a></div><hr />
<h1>Header 2</h1>
<p>Some text here</p><p>Some more text here</p>
<div align=right><a href="x">A link here</a></div><hr />
技巧是，我只需要提取文本的前 100 个字符（删除 HTML 标签）。 我还需要保留换行符并且不破坏任何单词。
所以上面的输出将类似于：
<前><代码>标头 1 这里有一些文字 这里还有一些文字 这里有一个链接 标题 2 这里有一些文字 一些
它有 98 个字符，并且保留换行符。 到目前为止我能实现的是使用正则表达式去除所有 HTML 标签：
Regex.Replace(htmlStr, "<[^>]*>", "")
然后使用正则表达式修剪长度以及：
Regex.Match(textStr, @"^.{1,100}\b").Value
我的问题是，如何保留换行符？ 我得到如下输出：
<前><代码>标头 1 这里有一些文字这里有更多文字 这里有一个链接 标题 2 这里有一些文字更多文字
注意到连接句子了吗？ 也许有人可以告诉我解决这个问题的其他方法。 谢谢！
其他信息：我的目的是从一堆 HTML 内容生成纯文本概要。 我想这将有助于澄清这个问题。
I have an HTML content which is entered by user via a richtext editor so it can be almost anything (less those not supposed to be outside the body tag, no worries about "head" or doctype etc).
An example of this content:
<h1>Header 1</h1>
<p>Some text here</p><p>Some more text here</p>
<div align=right><a href="x">A link here</a></div><hr />
<h1>Header 2</h1>
<p>Some text here</p><p>Some more text here</p>
<div align=right><a href="x">A link here</a></div><hr />
The trick is, I need to extract first 100 characters of the text only (HTML tags stripped). I also need to retain the line breaks and not break any word.
So the output for the above will be something like:
Header 1 Some text here Some more text here A link here Header 2 Some text here Some
It has 98 characters and line breaks are retained. What I can achieve so far is to strip the all HTML tags using Regex:
Regex.Replace(htmlStr, "<[^>]*>", "")
Then trim the length using Regex as well with:
Regex.Match(textStr, @"^.{1,100}\b").Value
My problem is, how to retaining the line break?. I get an output like:
Header 1 Some text hereSome more text here A link here Header 2 Some text hereSome more text
Notice the joining sentences? Perhaps someone can show me some other ways of solving this problem. Thanks!
Additional Info: My purpose is to generate plain text synopsis from a bunch of HTML content. Guess this will help clarify the this problem.
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（4）
我想解决这个问题的方法就是把它当作一个简单的浏览器来看待。 创建一个 Tag 基类，并使用 InnerHTML 属性和虚拟方法 PrintElement 使其抽象。
接下来，为您关心的每个 HTML 标记创建类并从基类继承。 从你的例子来看，你最关心的标签是h1、p、a和hr。 实现 PrintElement 方法，使其返回一个字符串，该字符串根据 InnerHTML 正确打印出元素（例如 p 类的 PrintElement 将返回“\n[InnerHTML]\n”）。
接下来，构建一个解析器，它将解析您的 HTML 并确定要创建哪个对象，然后将这些对象添加到队列中（树会更好，但看起来对于您的目的来说没有必要）。
最后，为每个元素调用 PrintElement 方法来遍历队列。
工作量可能比您计划的要多，但它是一个比简单使用正则表达式更强大的解决方案，如果您决定将来改变主意并想要显示简单的样式，只需返回并修改 PrintElement 方法即可。
I think how I would solve this is to look at it as though it were a simple browser. Create a base Tag class, make it abstract with maybe an InnerHTML property and a virtual method PrintElement.
Next, create classes for each HTML tag that you care about and inherit from your base class. Judging from your example, the tags you care most about are h1, p, a, and hr. Implement the PrintElement method such that it returns a string that prints out the element properly based on the InnerHTML (such as the p class' PrintElement would return "\n[InnerHTML]\n").
Next, build a parser that will parse through your HTML and determine which object to create and then add those objects to a queue (a tree would be better, but doesn't look like it's necessary for your purposes).
Finally, go through your queue calling the PrintElement method for each element.
May be more work than you had planned, but it's a far more robust solution than simply using regex and should you decided to change your mind in the future and want to show simple styling it's just a matter of going back and modifying your PrintElement methods.
仅供参考，用正则表达式剥离 html...充满了微妙的问题。 HTML Agility Pack 可能更强大，但仍然受到单词混在一起的困扰:
For info, stripping html with a regex is... full of subtle problems. The HTML Agility Pack may be more robust, but still suffers from the words bleeding together:
一种方法是分三步剥离 html：
One way could be to strip html in three steps:
好吧，虽然没有理想的解决方案，但我需要关闭它。 由于我的应用程序中使用的 HTML 标签非常常见（没有表格、列表等），很少或没有嵌套，所以我所做的就是在用户输入后保存 HTML 片段之前对其进行预格式化。
在将它们提取出来以纯文本形式显示之前，请使用正则表达式删除 html 标签并保留换行符。 几乎没有任何火箭科学，但对我有用。
Well, I need to close this though not having the ideal solution. Since the HTML tags used in my app are very common ones (no tables, list etc) with little or no nesting, what I did is to preformat the HTML fragments before I save them after user input.
Before I extract them out to be displayed as plain-text, use regex to remove the html tag and retain the line-break. Hardly any rocket science but works for me.