5

私はこのスクリプトを使用しています：

http://www.codeproject.com/Articles/11902/Convert-HTML-to-Plain-Text

OutlookのHTMLをプレーンテキストに変換します。

それはほぼ機能します、それが残す唯一のものはタグ（削除された）<!-- -->に加えてhtmlコメントタグの場所を見通しするCSSです<style>

これは元のテキストです：

<html xmlns:v="urn:schemas-microsoft-com:vml" xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:w="urn:schemas-microsoft-com:office:word" xmlns:x="urn:schemas-microsoft-com:office:excel" xmlns:m="http://schemas.microsoft.com/office/2004/12/omml" xmlns="http://www.w3.org/TR/REC-html40">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8">
<meta name="Generator" content="Microsoft Word 14 (filtered medium)">
<style><!--
/* Font Definitions */
@font-face
    {font-family:Calibri;
    panose-1:2 15 5 2 2 2 4 3 2 4;}
/* Style Definitions */
p.MsoNormal, li.MsoNormal, div.MsoNormal
    {margin:0cm;
    margin-bottom:.0001pt;
    font-size:11.0pt;
    font-family:"Calibri","sans-serif";
    mso-fareast-language:EN-US;}
a:link, span.MsoHyperlink
    {mso-style-priority:99;
    color:blue;
    text-decoration:underline;}
a:visited, span.MsoHyperlinkFollowed
    {mso-style-priority:99;
    color:purple;
    text-decoration:underline;}
span.EmailStyle17
    {mso-style-type:personal-compose;
    font-family:"Calibri","sans-serif";
    color:windowtext;}
.MsoChpDefault
    {mso-style-type:export-only;
    font-family:"Calibri","sans-serif";
    mso-fareast-language:EN-US;}
@page WordSection1
    {size:612.0pt 792.0pt;
    margin:72.0pt 72.0pt 72.0pt 72.0pt;}
div.WordSection1
    {page:WordSection1;}
--></style><!--[if gte mso 9]><xml>
<o:shapedefaults v:ext="edit" spidmax="1026" />
</xml><![endif]--><!--[if gte mso 9]><xml>
<o:shapelayout v:ext="edit">
<o:idmap v:ext="edit" data="1" />
</o:shapelayout></xml><![endif]-->
</head>
<body lang="EN-GB" link="blue" vlink="purple">
<div class="WordSection1">
<p class="MsoNormal">tesst<o:p></o:p></p>
<p class="MsoNormal"><o:p>&nbsp;</o:p></p>
<p class="MsoNormal"><b><span style="font-size:10.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;color:dimgray;mso-fareast-language:EN-GB">JOE BLOGS</span></b><span style="font-size:10.0pt;font-family:&quot;Arial&quot;,&quot;sans-serif&quot;;color:dimgray;mso-fareast-language:EN-GB">
</div>
</body>
</html>

これは結果のテキストです: (HTMLコメントは削除されていないことに注意してください）

<!--
/* Font Definitions */
@font-face
    {font-family:Calibri;
    panose-1:2 15 5 2 2 2 4 3 2 4;}
/* Style Definitions */
p.MsoNormal, li.MsoNormal, div.MsoNormal
    {margin:0cm;
    margin-bottom:.0001pt;
    font-size:11.0pt;
    font-family:"Calibri","sans-serif";
    mso-fareast-language:EN-US;}
a:link, span.MsoHyperlink
    {mso-style-priority:99;
    color:blue;
    text-decoration:underline;}
a:visited, span.MsoHyperlinkFollowed
    {mso-style-priority:99;
    color:purple;
    text-decoration:underline;}
span.EmailStyle17
    {mso-style-type:personal-compose;
    font-family:"Calibri","sans-serif";
    color:windowtext;}
.MsoChpDefault
    {mso-style-type:export-only;
    font-family:"Calibri","sans-serif";
    mso-fareast-language:EN-US;}
@page WordSection1
    {size:612.0pt 792.0pt;
    margin:72.0pt 72.0pt 72.0pt 72.0pt;}
div.WordSection1
    {page:WordSection1;}
-->

tesst
&nbsp;
JOE BLOGS

StripHTML（）関数を追加の置換で適応させようとしましたが、これらも機能しませんでした。

result = System.Text.RegularExpressions.Regex.Replace(result, "(<!--).*?(-->)", String.Empty, System.Text.RegularExpressions.RegexOptions.IgnoreCase)
result = System.Text.RegularExpressions.Regex.Replace(result, "<!--*-->", String.Empty, System.Text.RegularExpressions.RegexOptions.IgnoreCase)

助けてください-これは私が昼食のfacedesk以来立ち往生している2分の仕事でした

乾杯

編集1：次のことも試しました-それでも喜びはありません

result = System.Text.RegularExpressions.Regex.Replace(result, "<!--.*-->", String.Empty, System.Text.RegularExpressions.RegexOptions.IgnoreCase)
result = System.Text.RegularExpressions.Regex.Replace(result, "<!--.*?-->", String.Empty, System.Text.RegularExpressions.RegexOptions.IgnoreCase)

編集2：この質問が多くのビューを獲得していることに気づきました。これを読んでいる人は、regExpアプローチを採用することについて、間違いなく2度考えるべきです。代わりに、Lynx（OpenSourceテキストベースのブラウザー）を使用してHTMLをプレーンテキストに変換することをお勧めします。同様の質問をしました。ここと私は、.netアプリケーション内からlynx.exeの使用を開始するための回答に基づいて、編集のサンプルコードを提供します。これは私たちが最終的に使用した方法であり、それ以来問題はありません。

4

2 に答える 2

7

3つの理由による2番目の正規表現：

  • .任意の文字に一致させるためにを使用する必要があります。
  • *貪欲です。*?怠惰にマッチしたい。
  • 必要RegexOptions.Singlelineです。

これを試して：

result = Regex.Replace(result, "<!--.*?-->", "", RegexOptions.Singleline);

HTMLの解析に正規表現を使用しないことを強くお勧めします。代わりにHTMLAgilityPackを使用すると、苦痛の世界全体を救うことができます。

于 2012-05-18T16:12:36.390 に答える
0

この目的でのHTMLAgilityPackの使用に関しては、htmlagilitypack-xxxx \ Release \ 1_4_0\Html2Txtフォルダーの下のソースダウンロード内にHtml2Txtというプロジェクトがあります。

HtmlConvert.csには、HTMLをテキストに変換したりHTMLコメントなどを処理したりするために必要なすべての関数が含まれています。

于 2014-04-03T10:12:41.120 に答える