C# 将 HTML 转成纯文本

《C# 将 HTML 转成纯文本》

在Web开发或数据处理场景中，经常需要将包含HTML标签的文本转换为纯文本格式，例如提取网页正文内容、清理用户输入的富文本数据或处理日志中的HTML片段。C#作为.NET平台的核心语言，提供了多种高效的方法来实现这一需求。本文将详细介绍四种主流的HTML转纯文本方案，涵盖正则表达式、LINQ to XML、第三方库以及浏览器引擎集成，帮助开发者根据实际场景选择最适合的方案。

一、基础方案：正则表达式替换

正则表达式是最简单的HTML处理方式，适用于结构简单的HTML片段。其核心思路是通过模式匹配删除所有标签，保留标签间的文本内容。

using System.Text.RegularExpressions;

public static string HtmlToPlainTextWithRegex(string html)
{
    // 移除HTML标签
    string plainText = Regex.Replace(html, "]+>", string.Empty);
    
    // 处理换行符（可选）
    plainText = Regex.Replace(plainText, @"\s+", " ").Trim();
    
    // 处理特殊字符（可选）
    plainText = plainText.Replace(" ", " ")
                         .Replace("&", "&")
                         .Replace("", ">");
    
    return plainText;
}

优点：实现简单，无需额外依赖
缺点：无法处理嵌套标签、注释、脚本等复杂结构，可能误删合法内容

1.1 增强版正则方案

针对简单文档结构，可优化正则表达式以保留段落格式：

public static string EnhancedHtmlToText(string html)
{
    // 保留段落和换行
    html = Regex.Replace(html, "
", "\n", RegexOptions.IgnoreCase);
    html = Regex.Replace(html, "
", "\n\n");
    html = Regex.Replace(html, "
", "\n\n");
    
    // 移除剩余标签
    html = Regex.Replace(html, "]*>", string.Empty);
    
    // 清理多余空白
    return Regex.Replace(html, @"\s{2,}", " ").Trim();
}

二、进阶方案：LINQ to XML解析

对于结构良好的HTML（如XHTML），可使用LINQ to XML进行精确解析。此方法需要先将HTML转换为XDocument对象。

using System.Xml.Linq;

public static string HtmlToPlainTextWithLinq(string html)
{
    // 清理非法XML字符（重要！）
    html = Regex.Replace(html, "&(?![#a-zA-Z0-9]+;)", "&");
    
    try
    {
        // 加载HTML（需要XHTML格式）
        var doc = XDocument.Parse(html);
        
        // 递归提取所有文本节点
        var textNodes = doc.DescendantNodes()
                          .OfType()
                          .Select(n => n.Value.Trim());
        
        return string.Join(" ", textNodes).Replace("\n", " ");
    }
    catch
    {
        // 解析失败时回退到正则
        return HtmlToPlainTextWithRegex(html);
    }
}

优点：结构化处理，可定制提取逻辑
缺点：要求HTML必须是格式良好的XHTML，普通HTML需要预处理

2.1 使用HtmlAgilityPack增强解析

实际项目中更推荐使用HtmlAgilityPack库，它能处理格式不规范的HTML：

// 先安装NuGet包：HtmlAgilityPack
using HtmlAgilityPack;

public static string HtmlToPlainTextWithHAP(string html)
{
    var doc = new HtmlDocument();
    doc.LoadHtml(html);
    
    var textBuilder = new StringBuilder();
    
    // 递归遍历所有节点
    void ExtractText(HtmlNode node)
    {
        foreach (var child in node.ChildNodes)
        {
            if (child.NodeType == HtmlNodeType.Text)
            {
                textBuilder.Append(child.InnerText.Trim());
            }
            else if (child.NodeType == HtmlNodeType.Element)
            {
                // 处理特定标签的换行（如
, 
）
                if (child.Name.Equals("br", StringComparison.OrdinalIgnoreCase))
                {
                    textBuilder.Append("\n");
                }
                else if (child.Name.Equals("p", StringComparison.OrdinalIgnoreCase))
                {
                    textBuilder.Append("\n\n");
                }
                ExtractText(child);
            }
        }
    }
    
    ExtractText(doc.DocumentNode);
    return textBuilder.ToString().NormalizeWhitespace();
}

三、专业方案：第三方库对比

除了HtmlAgilityPack，还有多个专业库可供选择：

3.1 AngleSharp（现代浏览器引擎）

// 安装NuGet包：AngleSharp
using AngleSharp.Html.Parser;

public static string HtmlToPlainTextWithAngleSharp(string html)
{
    var parser = new HtmlParser();
    var document = parser.ParseDocument(html);
    
    // 使用AngleSharp的Text方法自动处理换行
    return string.Join("\n", 
        document.Body.TextContent.Split(new[] { '\n' }, StringSplitOptions.RemoveEmptyEntries)
        .Select(l => l.Trim())
        .Where(l => !string.IsNullOrEmpty(l)));
}

3.2 Fizzler（jQuery风格选择器）

// 安装NuGet包：Fizzler.Systems.HtmlAgilityPack
using Fizzler.Systems.HtmlAgilityPack;

public static string HtmlToPlainTextWithFizzler(string html)
{
    var doc = new HtmlDocument();
    doc.LoadHtml(html);
    
    // 提取所有文本节点（排除script/style）
    var textNodes = doc.DocumentNode
                      .QuerySelectorAll("body *:not(script):not(style)")
                      .Select(n => n.InnerText.Trim())
                      .Where(t => !string.IsNullOrEmpty(t));
    
    return string.Join("\n\n", textNodes);
}

四、终极方案：浏览器引擎集成

对于需要精确渲染效果的场景（如保留复杂布局的文本），可集成浏览器引擎：

4.1 使用Puppeteer Sharp（无头Chrome）

// 安装NuGet包：PuppeteerSharp
using PuppeteerSharp;

public static async Task HtmlToPlainTextWithPuppeteer(string html)
{
    await new BrowserFetcher().DownloadAsync(BrowserFetcher.DefaultRevision);
    
    using var browser = await Puppeteer.LaunchAsync(new LaunchOptions
    {
        Headless = true
    });
    
    using var page = await browser.NewPageAsync();
    await page.SetContentAsync(html);
    
    // 执行JS获取纯文本
    var text = await page.EvaluateExpressionAsync(@"
        (function() {
            const body = document.body;
            body.innerHTML = body.textContent;
            return body.textContent.trim();
        })()");
    
    return text;
}

4.2 使用WebBrowser控件（WinForms）

// 仅适用于Windows桌面应用
using System.Windows.Forms;

public static string HtmlToPlainTextWithWebBrowser(string html)
{
    var browser = new WebBrowser { DocumentText = html };
    
    // 等待渲染完成（实际项目需用事件或异步等待）
    Application.DoEvents();
    System.Threading.Thread.Sleep(500);
    
    var doc = browser.Document;
    doc.ExecCommand("SelectAll", false, null);
    doc.ExecCommand("Copy", false, null);
    
    if (Clipboard.ContainsText())
    {
        return Clipboard.GetText().Replace("\r\n", "\n").Trim();
    }
    return string.Empty;
}

五、性能优化与最佳实践

1. 大文档处理：分块加载或使用流式解析
2. 内存管理：及时释放HtmlDocument/XDocument对象
3. 异步处理：长时间操作使用async/await
4. 缓存机制：对重复处理的HTML建立缓存
5. 错误处理：捕获MalformedHTML异常

六、完整实现示例

public class HtmlToTextConverter
{
    private readonly IHtmlParser _parser;
    
    public HtmlToTextConverter(IHtmlParser parser = null)
    {
        _parser = parser ?? new AngleSharpHtmlParser();
    }
    
    public string Convert(string html, TextFormattingOptions options = null)
    {
        options ??= TextFormattingOptions.Default;
        
        var document = _parser.Parse(html);
        var textBuilder = new StringBuilder();
        
        // 处理段落
        if (options.PreserveParagraphs)
        {
            var paragraphs = document.QuerySelectorAll("p, div")
                .Where(n => !n.ClassName.Contains("ignore"))
                .Select(n => n.TextContent.Trim());
            
            textBuilder.AppendJoin("\n\n", paragraphs);
        }
        else
        {
            textBuilder.Append(document.Body.TextContent.Trim());
        }
        
        // 清理特殊字符
        return CleanSpecialCharacters(textBuilder.ToString(), options);
    }
    
    private string CleanSpecialCharacters(string text, TextFormattingOptions options)
    {
        // 实现字符替换逻辑...
    }
}

public interface IHtmlParser
{
    HtmlDocument Parse(string html);
}

public class AngleSharpHtmlParser : IHtmlParser
{
    public HtmlDocument Parse(string html)
    {
        var parser = new AngleSharp.Html.Parser.HtmlParser();
        var document = parser.ParseDocument(html);
        return new HtmlDocumentAdapter(document); // 适配到通用模型
    }
}

七、测试用例与边界条件

1. 空输入测试：Convert(null) 应返回空字符串
2. 非法HTML测试：

《C# 将 HTML 转成纯文本.doc》

将本文的Word文档下载到电脑，方便收藏和打印

推荐度：

点击下载文档