是否有一个库可以将 HTML 解析为 String 对象，可以是 Java、C# 或任何其他编程语言。
这是我的情况：
我有一些来自所见即所得编辑器的文档，其中包含一些基本的 html 标签，例如<p><br>：
<p>This </p><font>etc</font><br>
<span> and this, etc.
当导出到其他工具时，它会转换为纯文本，使其不可读。我现在正在做的是：“全选”>“另存为 x.html”>“在浏览器中打开”>“全选”>“粘贴”
我知道这可以通过程序自动化。
有图书馆可以做到这一点吗？也就是说，要“渲染”简单的 HTML？最好是一个字符串，我可以把它放到我的剪贴板中。删除 html 标签是不够的，因为我会得到一个很长的行而没有回车。
对于 Python，您可以使用实体 refs 扩展这个出色的功能来做您似乎需要的事情；
from HTMLParser import HTMLParser
from htmlentitydefs import name2codepoint
class MLStripper(HTMLParser):
def __init__(self):
self.reset()
self.fed = []
def handle_data(self, d):
self.fed.append(d)
def handle_entityref(self, name):
self.fed.append(unichr(name2codepoint[name]))
def get_data(self):
return ''.join(self.fed)
def strip_tags(html):
s = MLStripper()
s.feed(html)
return s.get_data()
print strip_tags('<html>olle<</br>')
olle<
在java中你可以使用http://docs.oracle.com/javase/1.5.0/docs/api/javax/swing/text/html/parser/DocumentParser.html
您可以提供 ParserCallback 来处理文本并忽略标签。
有两种方法可以做到：
编写任意复杂的解析器来清理数据。这是其他答案所建议的。如果您的输入不是非常核心，这通常是快速获胜。
但是，如果您有非常复杂的输入并且想要“高保真”，则可以使用“真实”浏览器。
一个非常简单的选择是使用PhantomJS。这是一个用于从网页中提取文本的示例：innerText
var page = require('webpage').create();
console.log('The default user agent is ' + page.settings.userAgent);
page.settings.userAgent = 'SpecialAgent';
page.open('http://www.httpuseragent.org', function (status) {
if (status !== 'success') {
console.log('Unable to access network');
} else {
var ua = page.evaluate(function () {
return document.getElementById('myagent').innerText;
});
console.log(ua);
}
phantom.exit();
});
还有诸如WebBrowser 类(MSIE) 或GeckoFX之类的选项。不过，我怀疑沿着这些路径走下去的学习曲线会非常陡峭。
如果我做对了，您想删除所有 html 标签，使用 C# 很容易：
var plainText = Regex.Replace(htmlString.Replace("<br>", Environment.NewLine).Replace(" ", " "), @"<[^>]*>", String.Empty);