从 HTML 获取渲染文本 (Delphi)

Question

我有一些 HTML，我需要从页面中提取实际的书面文本。

到目前为止，我已经尝试使用网络浏览器并渲染页面，然后转到文档属性并抓取文本。这有效，但仅在支持浏览器的情况下（IE com 对象）。问题是我希望它也能够在 wine 下运行，所以我需要一个不使用 IE COM 的解决方案。

必须有一种合理的程序化方法来做到这一点。

Answer 1

我不确定在 Delphi 中解析 HTML 的推荐方法是什么，但如果是我，我会很想捆绑 html2text 的副本（旧的 C++ 程序 使用该名称或较新的 Python 程序）并生成对其中之一的调用。

您可以使用 py2exe 将 Python html2text 转换为可执行文件。这两个 html2text 程序都是根据 GPL 获得许可的，但只要您只是将它们的可执行文件与您的应用程序捆绑在一起，并根据 GPL 的限制提供它们的源代码，那么您应该没问题。

Answer 2

您可以直接使用 TIdHttp 及其 Get 方法，而不是使用 TWebBrowser。
你得到了 html 字符串。

Answer 3

这是一个很好的简单例程，从 Scalabium 复制：

function StripHTMLTags(const strHTML: string): string;
var
  P: PChar;
  InTag: Boolean;
  i, intResultLength: Integer;
begin
  P := PChar(strHTML);
  Result := '';

  InTag := False;
  repeat
    case P^ of
      '<': InTag := True;
      '>': InTag := False;
      #13, #10: ; {do nothing}
      else
        if not InTag then
        begin
          if (P^ in [#9, #32]) and ((P+1)^ in [#10, #13, #32, #9, '<']) then
          else
            Result := Result + P^;
        end;
    end;
    Inc(P);
  until (P^ = #0);

  {convert system characters}
  Result := StringReplace(Result, '"', '"',  [rfReplaceAll]);
  Result := StringReplace(Result, ''', '''', [rfReplaceAll]);
  Result := StringReplace(Result, '>',   '>',  [rfReplaceAll]);
  Result := StringReplace(Result, '<',   '<',  [rfReplaceAll]);
  Result := StringReplace(Result, '&',  '&',  [rfReplaceAll]);
  {here you may add another symbols from RFC if you need}
end;

然后您可以轻松修改它以执行以下 操作：正是您想要的。

Answer 4

稍微增强了之前创建多行文本的功能

function StripHTMLTags(strHTML: string): string;
const crlf='&crlf;';
var
  P: PChar;
  InTag: Boolean;
  i, intResultLength: Integer;

begin
  strHTML:=StringReplace(strHTML, '<br/>',crlf,[rfReplaceAll, rfIgnoreCase]);
  strHTML:=StringReplace(strHTML, '</div>',crlf,[rfReplaceAll, rfIgnoreCase]);
  P := PChar(strHTML);
  Result := '';

  InTag := False;
  repeat
    case P^ of
      '<': InTag := True;
      '>': InTag := False;
      #13, #10: ; {do nothing}
      else
        if not InTag then
        begin
          if (P^ in [#9, #32]) and ((P+1)^ in [#10, #13, #32, #9, '<']) then
          else
            Result := Result + P^;
        end;
    end;
    Inc(P);
  until (P^ = #0);

  {convert system characters}
  Result := StringReplace(Result, '"', '"',  [rfReplaceAll]);
  Result := StringReplace(Result, ''', '''', [rfReplaceAll]);
  Result := StringReplace(Result, '>',   '>',  [rfReplaceAll]);
  Result := StringReplace(Result, '<',   '<',  [rfReplaceAll]);
  Result := StringReplace(Result, '&',  '&',  [rfReplaceAll]);
  Result := StringReplace(Result, crlf,  #13#10,  [rfReplaceAll]);

end;