Как я могу удалить HTML из текста в .NET?

Question

У меня есть веб-страница asp.net с окном TinyMCE. Пользователи могут форматировать текст и отправлять HTML для хранения в базе данных.

На сервере я бы хотел удалить из текста html, чтобы в нем можно было хранить только текст в индексированном полнотекстовом столбце для поиска.

Легко убрать HTML-код на клиенте с помощью функции text () jQuery, но я бы предпочел сделать это на сервере. Существуют ли какие-либо утилиты, которые я могу использовать для этого?

EDIT

Смотри мой ответ.

РЕДАКТИРОВАТЬ 2

альтернативный текст http://tinyurl.com/sillychimp

Answer 1

Я скачал HtmlAgilityPack и создал эту функцию:

string StripHtml(string html)
{
    // create whitespace between html elements, so that words do not run together
    html = html.Replace(">","> ");

    // parse html
    var doc = new HtmlAgilityPack.HtmlDocument();   
    doc.LoadHtml(html);

    // strip html decoded text from html
    string text = HttpUtility.HtmlDecode(doc.DocumentNode.InnerText);   

    // replace all whitespace with a single space and remove leading and trailing whitespace
    return Regex.Replace(text, @"\s+", " ").Trim();
}

Answer 2

Взгляните на это Уберите теги HTML из строки с помощью регулярных выражений

Answer 3

TextReader tr = new StreamReader(@"Filepath");
string str = tr.ReadToEnd();     
str= Regex.Replace(str,"<(.|\n)*?>", string.Empty);

но вам нужно иметь ссылку на пространство имен, т.е. на

system.text.RegularExpressions

используйте эту логику только для своего сайта

Answer 4

Вот код Джеффа Этвуда RefactorMe для его Обеззараживания HTML-метода

Answer 5

Вы можете использовать HTQL COM и запросить источник с помощью запроса: & tx;

Answer 6

Так как вы, возможно, неправильно сформировали HTML в системе: BeautifulSoup или аналогичный.

Написано на Python; Я не уверен, как это может быть связано - используя язык .NET IronPython?

Answer 7

Вы могли бы:

• Используйте обычный старый TEXTAREA (стиль для height / width / font / etc.) Вместо TinyMCE.
• Используйте встроенные параметры конфигурации TinyMCE для удаления нежелательного HTML.
• Использование HtmlDecode (RegEx.Replace (mystring, "<[^>] +>", "")) на сервере.

Answer 8

Если вы просто храните текст для индексации, вам, вероятно, нужно сделать немного больше, чем просто удалить HTML, например игнорировать стоп-слова и удалять слова короче (скажем) 3 символа. Тем не менее, простой тег и стриптизер, который я однажды написал, выглядит примерно так:

    public static string StripTags(string value)
    {
        if (value == null)
            return string.Empty;

        string pattern = @"&.{1,8};";
        value = Regex.Replace(value, pattern, " ");
        pattern = @"<(.|\n)*?>";
        return Regex.Replace(value, pattern, string.Empty);
    }

Он старый, и я уверен, что его можно оптимизировать (возможно, используя скомпилированный reg-ex?). Но это работает и может помочь ...

Answer 9

Вы можете использовать что-то вроде этого

string strwithouthtmltag;    
strwithouthtmltag = Regex.Replace(strWithHTMLTags, "<[^>]*>", string.Empty)