如何在不使用第三方库的情况下从HTML中提取文本？

Question

_request = (HttpWebRequest)WebRequest.Create(url);
_response = (HttpWebResponse) _request.GetResponse();
StreamReader streamReader = new StreamReader(_response.GetResponseStream());
string text = streamReader.ReadToEnd();

带有html标签的文字。如何在没有html标签的情况下获取文本？

Answer 1

如何在不使用第三方库的情况下从动态HTML中提取文本？很简单，您可以使用.NET框架中的字符串解析函数创建自己的HTML解析库。

说真的，自己这样做是个坏主意。如果您从Web上提取动态HTML，则必须为不同的结束标记，不匹配的标记，缺少结束标记等做好准备。 除非你有一个真的好的理由，为什么你需要自己编写一个，只需使用HTML Agility Pack ，然后让它为你努力工作。

另外，请确保您没有屈服于Not Invented Here Syndrome。

Answer 2

您可能需要查看HTMLAgilityPack。

这是一个很棒的免费.net库，它允许您加载和解析HTML。享受。

Answer 3

之前已经问过这个问题。有几种方法可以做到这一点，包括使用正则表达式或Adrian，Agility Pack指出。

请参阅此问题：How can I strip HTML tags from a string in ASP.NET?

Answer 4

1）不要使用正则表达式。 （请参阅这篇伟大的StackOverflow帖子：RegEx match open tags except XHTML self-contained tags）

2）使用HtmlAgilityPack。但我发现你不想要第三方图书馆，所以我们被迫......

3）使用XmlReader。您可以直接使用MSDN中的示例代码，并忽略XmlNodeType除XmlNodeType.Text之外的所有情况。对于这种情况，只需将输出写入StreamWriter。

Answer 5

试试这个：

System.Xml.XmlDocument docXML = new System.Xml.XmlDocument();
docXML.Load(url);
string textWithoutTags = docXML.InnerText;

快乐：）