111,098
社区成员
发帖
与我相关
我的任务
分享怎样将html过滤成txt，就象IE浏览器可以将页面另存为txt文件一样？
我用WebClient.DownloadData之后，想过滤成纯文本（不含Html格式信息），请大家多帮忙。
...全文
请发表友善的回复…
发表回复
shyworm 2003-06-23
- 打赏
- 举报
感谢各位高人的帮助，问题解决了！
cdshelf 2003-06-21
- 打赏
- 举报
最好把 <BR> <HR> <TR> <P> <DIV> 转换成换行符，这样可以保留原来的断行，出来的文本才可读。
nean 2003-06-21
- 打赏
- 举报
留个记号,up一下，呵呵
redflute 2003-06-21
- 打赏
- 举报
如果你的系统没有日文输入法,可能会看到一些乱码,但是没关系啦,全是注释嘛!
redflute 2003-06-21
- 打赏
- 举报
我正好昨天碰到一个这样的程序webget.cs,你自己 编译一下就可以用了.
不过注释是日文的,我尽量给你翻译.
-------------*********源代码*******---------
using System;
using System.Drawing;
using System.Collections;
using System.ComponentModel;
using System.Windows.Forms;
using System.Data;
using System.Diagnostics;
using System.IO;
using System.Text;
using System.Web;
using System.Net;
namespace HTMLGet
{
/// <summary>
/// Form1 の概要の説明です。
/// </summary>
public class Form1 : System.Windows.Forms.Form
{
private System.Windows.Forms.Button button1;
/// <summary>
/// 必要なデザイナ変数です。
/// </summary>
private System.ComponentModel.Container components = null;
public Form1()
{
//
// Windows フォーム デザイナ サポートに必要です。
//译文:对 windows form designer supprot. 必要的.
InitializeComponent();
//
// TODO: InitializeComponent 呼び出しの後に、コンストラクタ コードを追加してください。
//译文:调用InitializeComponent 后,请添加construct code.
}
/// <summary>
/// 使用されているリソースに後処理を実行します。
/// </summary>
protected override void Dispose( bool disposing )
{
if( disposing )
{
if (components != null)
{
components.Dispose();
}
}
base.Dispose( disposing );
}
#region Windows Form Designer generated code
/// <summary>
/// デザイナ サポートに必要なメソッドです。このメソッドの内容を
/// コード エディタで変更しないでください。
///译文:这是对 windows form designer supprot的必要的 修改,补丁(mend).这一小块的代码或数据请勿变动.
/// </summary>
private void InitializeComponent()
{
this.button1 = new System.Windows.Forms.Button();
this.SuspendLayout();
//
// button1
//
this.button1.Location = new System.Drawing.Point(136, 48);
this.button1.Name = "button1";
this.button1.TabIndex = 0;
this.button1.Text = "button1";
this.button1.Click += new System.EventHandler(this.button1_Click);
//
// Form1
//
this.AutoScaleBaseSize = new System.Drawing.Size(5, 12);
this.ClientSize = new System.Drawing.Size(292, 266);
this.Controls.AddRange(new System.Windows.Forms.Control[] {
this.button1});
this.Name = "Form1";
this.Text = "Form1";
this.ResumeLayout(false);
}
#endregion
/// <summary>
/// アプリケーションのメイン エントリ ポイントです。
///译文:这里是application’s main 或enter point .
/// </summary>
[STAThread]
static void Main()
{
Application.Run(new Form1());
}
private void button1_Click(object sender, System.EventArgs e)
{
Read();
}
private void Read()
{
Stream stream = null;
StreamReader sr = null;
try
{
WebRequest webReq = HttpWebRequest.Create( "http://xww.fxsz.com.cn" );
webReq.Method = "GET";
// １秒でタイムアウトさせる。译文:timeout 设为1秒.
webReq.Timeout = 1000000;
// IE のプロキシ設定を使用する。译文:使用IE的proxy设定
webReq.Proxy = System.Net.WebProxy.GetDefaultProxy();
WebResponse webRes = webReq.GetResponse();
// HttpWebRequest からストリームを取得する。
//译文:从HttpWebRequest得到 stream
stream = webRes.GetResponseStream();
// 1行ごとに扱いたいので、StreamReader にする。
//译文:在streamreader 中想得到一行
sr=new System.IO.StreamReader(stream, Encoding.GetEncoding("x-euc-jp"));
string str;
str = sr.ReadToEnd();
MessageBox.Show(str);
//Debug.WriteLine(str);
}
catch (Exception exc)
{
// わかりやすいメッセージに変える。
//变成可以理解的message
//throw(new Exception("xxxに接続できませんでした。"));
throw(new Exception("不能连接到XXX"));
}
finally
{
if (sr != null) sr.Close();
if (stream != null) stream.Close();
}
}
}
}
不过注释是日文的,我尽量给你翻译.
-------------*********源代码*******---------
using System;
using System.Drawing;
using System.Collections;
using System.ComponentModel;
using System.Windows.Forms;
using System.Data;
using System.Diagnostics;
using System.IO;
using System.Text;
using System.Web;
using System.Net;
namespace HTMLGet
{
/// <summary>
/// Form1 の概要の説明です。
/// </summary>
public class Form1 : System.Windows.Forms.Form
{
private System.Windows.Forms.Button button1;
/// <summary>
/// 必要なデザイナ変数です。
/// </summary>
private System.ComponentModel.Container components = null;
public Form1()
{
//
// Windows フォーム デザイナ サポートに必要です。
//译文:对 windows form designer supprot. 必要的.
InitializeComponent();
//
// TODO: InitializeComponent 呼び出しの後に、コンストラクタ コードを追加してください。
//译文:调用InitializeComponent 后,请添加construct code.
}
/// <summary>
/// 使用されているリソースに後処理を実行します。
/// </summary>
protected override void Dispose( bool disposing )
{
if( disposing )
{
if (components != null)
{
components.Dispose();
}
}
base.Dispose( disposing );
}
#region Windows Form Designer generated code
/// <summary>
/// デザイナ サポートに必要なメソッドです。このメソッドの内容を
/// コード エディタで変更しないでください。
///译文:这是对 windows form designer supprot的必要的 修改,补丁(mend).这一小块的代码或数据请勿变动.
/// </summary>
private void InitializeComponent()
{
this.button1 = new System.Windows.Forms.Button();
this.SuspendLayout();
//
// button1
//
this.button1.Location = new System.Drawing.Point(136, 48);
this.button1.Name = "button1";
this.button1.TabIndex = 0;
this.button1.Text = "button1";
this.button1.Click += new System.EventHandler(this.button1_Click);
//
// Form1
//
this.AutoScaleBaseSize = new System.Drawing.Size(5, 12);
this.ClientSize = new System.Drawing.Size(292, 266);
this.Controls.AddRange(new System.Windows.Forms.Control[] {
this.button1});
this.Name = "Form1";
this.Text = "Form1";
this.ResumeLayout(false);
}
#endregion
/// <summary>
/// アプリケーションのメイン エントリ ポイントです。
///译文:这里是application’s main 或enter point .
/// </summary>
[STAThread]
static void Main()
{
Application.Run(new Form1());
}
private void button1_Click(object sender, System.EventArgs e)
{
Read();
}
private void Read()
{
Stream stream = null;
StreamReader sr = null;
try
{
WebRequest webReq = HttpWebRequest.Create( "http://xww.fxsz.com.cn" );
webReq.Method = "GET";
// １秒でタイムアウトさせる。译文:timeout 设为1秒.
webReq.Timeout = 1000000;
// IE のプロキシ設定を使用する。译文:使用IE的proxy设定
webReq.Proxy = System.Net.WebProxy.GetDefaultProxy();
WebResponse webRes = webReq.GetResponse();
// HttpWebRequest からストリームを取得する。
//译文:从HttpWebRequest得到 stream
stream = webRes.GetResponseStream();
// 1行ごとに扱いたいので、StreamReader にする。
//译文:在streamreader 中想得到一行
sr=new System.IO.StreamReader(stream, Encoding.GetEncoding("x-euc-jp"));
string str;
str = sr.ReadToEnd();
MessageBox.Show(str);
//Debug.WriteLine(str);
}
catch (Exception exc)
{
// わかりやすいメッセージに変える。
//变成可以理解的message
//throw(new Exception("xxxに接続できませんでした。"));
throw(new Exception("不能连接到XXX"));
}
finally
{
if (sr != null) sr.Close();
if (stream != null) stream.Close();
}
}
}
}
benzite 2003-06-21
- 打赏
- 举报
引用别人的提取文本的程序，你试试:
s is the source code of the webpage.
private String fetchText(String s)
{
//Filter out HTML and JavaScript from the page, leaving only body text
s = Convert.ToString(Regex.Match(s, @"<body.+?</body>", RegexOptions.Singleline | RegexOptions.IgnoreCase)); //strip everything but <BODY>
s = Regex.Replace(s, "<script[^>]*?>.*?</script>", "", RegexOptions.Singleline | RegexOptions.IgnoreCase); //strip JavaScript
s = Regex.Replace(s, "<[^>]*>", ""); //strip HTML tags
s = Regex.Replace(s, "&(copy|#169);|&(quot|#34);|&(amp|#38);|&(lt|#60);&(gt|#62);|&(nbsp|#160);|&(iexcl|#161);|&(cent|#162);|&(pound|#163);|·", " "); //strip symbols
s = s.Replace("\t", " "); //strip tabs
s = Regex.Replace(s, "([\r\n])+", " "); //strip carriage returns
s = Regex.Replace(s, "\\s\\s+", " "); //strip white space (must be last)
return s.Trim();
}
s is the source code of the webpage.
private String fetchText(String s)
{
//Filter out HTML and JavaScript from the page, leaving only body text
s = Convert.ToString(Regex.Match(s, @"<body.+?</body>", RegexOptions.Singleline | RegexOptions.IgnoreCase)); //strip everything but <BODY>
s = Regex.Replace(s, "<script[^>]*?>.*?</script>", "", RegexOptions.Singleline | RegexOptions.IgnoreCase); //strip JavaScript
s = Regex.Replace(s, "<[^>]*>", ""); //strip HTML tags
s = Regex.Replace(s, "&(copy|#169);|&(quot|#34);|&(amp|#38);|&(lt|#60);&(gt|#62);|&(nbsp|#160);|&(iexcl|#161);|&(cent|#162);|&(pound|#163);|·", " "); //strip symbols
s = s.Replace("\t", " "); //strip tabs
s = Regex.Replace(s, "([\r\n])+", " "); //strip carriage returns
s = Regex.Replace(s, "\\s\\s+", " "); //strip white space (must be last)
return s.Trim();
}
saucer 2003-06-20
- 打赏
- 举报
do multiple passes, for example
str = System.Text.RegularExpressions.Regex.Replace(YourString,@"<script[^>]*>.*?</script>","",RegexOptions.IgnoreCase);
str = System.Text.RegularExpressions.Regex.Replace(YourString,@"<style[^>]*>.*?</style>","",RegexOptions.IgnoreCase);
str = System.Text.RegularExpressions.Regex.Replace(YourString,@"<[^>]+>","");
str = System.Text.RegularExpressions.Regex.Replace(YourString,@"<script[^>]*>.*?</script>","",RegexOptions.IgnoreCase);
str = System.Text.RegularExpressions.Regex.Replace(YourString,@"<style[^>]*>.*?</style>","",RegexOptions.IgnoreCase);
str = System.Text.RegularExpressions.Regex.Replace(YourString,@"<[^>]+>","");
shyworm 2003-06-20
- 打赏
- 举报
net_lover(孟子E章) : 你在说什么啊？
我不需要写html代码，而是需要C#代码来处理Html，转换成纯文本。
我不需要写html代码，而是需要C#代码来处理Html，转换成纯文本。
孟子E章 2003-06-20
- 打赏
- 举报
<body onclick="alert(document.documentElement.innerText)">
<a href="xxxxxxxxxxxx">dddddddddd</a>
<a href="xxxxxxxxxxxx">dddddddddd</a>
shyworm 2003-06-20
- 打赏
- 举报
You are right. but it not work with <style> or <script>.
But your way is useful, thanks a lot!
Any more hints?
But your way is useful, thanks a lot!
Any more hints?
saucer 2003-06-20
- 打赏
- 举报
use regular expressions to filter out tags, for example (might not always work, for example, with <script>...):
str = System.Text.RegularExpressions.Regex.Replace(YourString,@"<[^>]+>","");
str = System.Text.RegularExpressions.Regex.Replace(YourString,@"<[^>]+>","");
