C# 将 HTML 转换为文本：简单方法+示例代码

在.NET开发中，将 HTML 转换为纯文本是一项常见任务，无论是需要从网页提取内容、处理 HTML 邮件，还是生成轻量级文本报告。然而，HTML 的丰富格式、标签和结构元素可能会使需要干净、无格式文本的工作流程变得复杂。这就是为什么常常需要通过C# 将 HTML 转换为 TXT 文本。

Spire.Doc for .NET 简化了这一过程：它是一个强大的文档操作库，原生支持加载 HTML 文件/字符串并将其转换为干净的纯文本。本文将探讨如何使用该库在 C# 中将 HTML 转换为纯文本，包括对两个核心场景的详细分析：转换HTML字符串（内存中的内容）和HTML文件（基于磁盘的内容）。

为什么选择 Spire.Doc？
安装 Spire.Doc
C# 将 HTML 字符串转换为文本
C# 将 HTML 文件转换为文本
常见问题
结论

为什么选择 Spire.Doc？

Spire.Doc 是一个强大的文档操作库，特别适合 HTML 到文本的转换：

代码简介：只需最少的代码行即可处理、转换 HTML 文档。
结构保留：在输出文本中保持逻辑格式（换行、列表缩进）。
特殊字符支持：自动将HTML字符转换为其纯文本等效形式。
轻量级：避免繁重的依赖项，使其适用于桌面和Web应用程序。

安装 Spire.Doc

Spire.Doc可通过NuGet获取，这是管理依赖项的最简单方法：

在Visual Studio中，右键单击您的项目>管理NuGet包。
搜索 “Spire.Doc” 并安装最新的稳定版本。
或者，使用包管理器控制台：

Install-Package Spire.Doc

C# 将 HTML 字符串转换为文本

本示例将 HTML 字符串渲染到 Document 对象中，然后使用 SaveToFile() 将其保存为纯文本文件。

using Spire.Doc;
using Spire.Doc.Documents;

namespace HtmlToText
{
    class Program
    {
        static void Main(string[] args)
        {
            // 定义HTML内容
            string htmlContent = @"
                    <html>
                        <body>
                            <h1>示例HTML内容</h1>
                            <p>这是一个包含<strong>粗体</strong>和<em>斜体</em>文本的段落。</p>
                            <p>另一行带有<a href='https://example.com'>链接</a>。</p>
                            <ul>
                                <li>列表项1</li>
                                <li>列表项2（带有<em>斜体</em>文本）</li>
                            </ul>
                            <p>特殊字符：&copy; &amp; &reg;</p>
                        </body>
                    </html>";

            // 创建Document对象
            Document doc = new Document();
            // 添加一个节来容纳内容
            Section section = doc.AddSection();
            // 添加一个段落
            Paragraph paragraph = section.AddParagraph();
            // 将HTML渲染到段落中
            paragraph.AppendHTML(htmlContent);

            // 保存为纯文本
            doc.SaveToFile("Html字符串转文本.txt", FileFormat.Txt);
        }
    }
}

关键步骤：

HTML 字符串定义：该示例定义了一个HTML字符串，其中包含标题、段落、格式标签（<strong>、<em>）、链接、列表和特殊字符。
文档设置：创建一个Document对象来管理内容，并使用Section和Paragraph构建HTML渲染的结构。
HTML 渲染：AppendHTML()解析HTML字符串并将其转换为文档的内部结构，保留内容层次结构。
文本转换：SaveToFile()将渲染的内容转换为纯文本，剥离HTML标签同时保留可读的结构。

输出：

使用 C# 将 HTML 字符串转换为纯文本

C# 将 HTML 文件转换为文本

本示例直接加载 HTML 文件并将其转换为文本。适用于批处理或处理现有 HTML 文档（例如，下载的网页、本地模板）。

using Spire.Doc;
using Spire.Doc.Documents;

namespace HtmlToText
{
    class Program
    {
        static void Main()
        {
            // 创建Document对象
            Document doc = new Document();

            // 加载HTML文件
            doc.LoadFromFile("E:\\sample.html", FileFormat.Html, XHTMLValidationType.None);

            // 将HTML转换为纯文本
            doc.SaveToFile("HTMLtoText.txt", FileFormat.Txt);
            doc.Dispose();
        }
    }
}

关键步骤：

文档初始化：创建一个Document对象来处理文件操作。
HTML 文件加载：LoadFromFile()导入HTML文件，FileFormat.Html指定输入类型。XHTMLValidationType.None确保与非严格 HTM L的兼容性。
文本转换：SaveToFile()将加载的HTML内容转换为纯文本。

使用 C# 将 HTML 文件转换为纯文本

要保留原始格式和样式，您可以参考 将 HTML 文件转换为 Word 的 C# 教程。

常见问题

Q1：Spire.Doc 能否处理格式错误的 HTML？

答：可以。Spire.Doc 内置了对格式错误 HTML 的容错能力，但需要禁用严格验证以确保正确解析，即加载 HTML 文件时，使用 XHTMLValidationType.None 跳过严格的 XHTML 检查：

doc.LoadFromFile("malformed.html", FileFormat.Html, XHTMLValidationType.None);

Q2：能否只提取特定 HTML 元素？

答：可以，将 HTML 加载到 Document 对象后，您可以通过对象模型访问特定元素（如段落、表格等），只提取需要的内容而不是从整个文档中提取文本。

Q3：除了纯文本，Spire.Doc 能否将 HTML 转换为其他格式？

答：可以，Spire.Doc 支持转换为多种格式，包括 Word DOC/DOCX、PDF、图片、RTF等。

Q4：Spire.Doc 是否适用于.NET Core/.NET 5+？

A：Spire.Doc 完全支持.NET Core、.NET 5/6/7/8和.NET Framework 4.0+。这些框架在功能上没有差异，可以使用相同的代码（例如Document、AppendHTML()、SaveToFile()）。

结论

使用 Spire.Doc 在 C# 中将 HTML 转换为纯文本非常简单高效。无论是处理 HTML 字符串还是文件，Spire.Doc 都能简化整个过程，保留文本结构的同时去除所有 HTML 标签。通过本文中的示例，您可以将 HTML 转 TXT 文本的功能无缝地集成到您的 C# 应用程序中。