但对于现在复杂的网页而言，用这种方法提取出来的文本会有大量的空格、空行、script段落、还有一些html转义字符，效果很差。
下面用正则表达式来提取html中的文本，
代码的实现的思路是：
a、先将html文本中的所有空格、换行符去掉（因为html中的空格和换行是被忽略的）
b、将<head>标记中的所有内容去掉
c、将<script>标记中的所有内容去掉
d、将<style>标记中的所有内容去掉
e、将td换成空格，tr,li,br,p 等标记换成换行符
f、去掉所有以“<>”符号为头尾的标记去掉。
g、转换&，&nbps;等转义字符换成相应的符号
h、去掉多余的空格和空行
代码如下：
using System;
using System.Text.RegularExpressions;
namespace Kwanhong.Utilities
{
/// <summary>
/// HtmlToText 的摘要说明。
/// </summary>
public class HtmlToText
{
public string Convert(string source)
{
string result;
//remove line breaks,tabs
result = source.Replace("\r", " ");
result = result.Replace("\n", " ");
result = result.Replace("\t", " ");
//remove the header
result = Regex.Replace(result, "(<head>).*(</head>)", string.Empty, RegexOptions.IgnoreCase);
result = Regex.Replace(result, @"<( )*script([^>])*>", "<script>", RegexOptions.IgnoreCase);
result = Regex.Replace(result, @"(<script>).*(</script>)", string.Empty, RegexOptions.IgnoreCase);
//remove all styles
result = Regex.Replace(result, @"<( )*style([^>])*>", "<style>", RegexOptions.IgnoreCase); //clearing attributes
result = Regex.Replace(result, "(<style>).*(</style>)", string.Empty, RegexOptions.IgnoreCase);
//insert tabs in spaces of <td> tags
result = Regex.Replace(result, @"<( )*td([^>])*>", " ", RegexOptions.IgnoreCase);
//insert line breaks in places of <br> and <li> tags
result = Regex.Replace(result, @"<( )*br( )*>", "\r", RegexOptions.IgnoreCase);
result = Regex.Replace(result, @"<( )*li( )*>", "\r", RegexOptions.IgnoreCase);
//insert line paragraphs in places of <tr> and <p> tags
result = Regex.Replace(result, @"<( )*tr([^>])*>", "\r\r", RegexOptions.IgnoreCase);
result = Regex.Replace(result, @"<( )*p([^>])*>", "\r\r", RegexOptions.IgnoreCase);
//remove anything thats enclosed inside < >
result = Regex.Replace(result, @"<[^>]*>", string.Empty, RegexOptions.IgnoreCase);
//replace special characters:
result = Regex.Replace(result, @"&", "&", RegexOptions.IgnoreCase);
result = Regex.Replace(result, @" ", " ", RegexOptions.IgnoreCase);
result = Regex.Replace(result, @"<", "<", RegexOptions.IgnoreCase);
result = Regex.Replace(result, @">", ">", RegexOptions.IgnoreCase);
result = Regex.Replace(result, @"&(.{2,6});", string.Empty, RegexOptions.IgnoreCase);
//remove extra line breaks and tabs
result = Regex.Replace(result, @" ( )+", " ");
result = Regex.Replace(result, "(\r)( )+(\r)", "\r\r");
result = Regex.Replace(result, @"(\r\r)+", "\r\n");
return result;
}
}//end class
}//end namespace
//代表注释一行 或是 /* */代表注释一段
怎样把带html格式的内容转换成纯文本的文字.txt
第一种方法：复制带有，html格式的内容，粘贴到记事本清楚格式 第二种方法：使用编辑器工具，Dreamweaver Notepad清除格式。第三种：如果楼主说的是带有html代码的问题，比如在查看网页源代码，代码和文字都直接复制出来了，这时候的解决办法，把复制的文字粘贴在记事本里面（或者上面的编辑工具），另存为....
怎样把带html格式的内容转换成纯文本的文字
如果你想复制网页上的内容，直接复制然后粘贴到记事本里就是纯文本内容，如果你的是一个html原文件，不知道你有没有一个编辑器，记事本不算，word好像也可以的，用替换功能，一般的编辑器都有正则替换的，直接替换 <(.*)>,替换成空，现在所有的标签都会被替换掉的 ...
怎么让HTML显示纯文本
a、先将html文本中的所有空格、换行符去掉（因为html中的空格和换行是被忽略的）b、将<head>标记中的所有内容去掉 c、将<script>标记中的所有内容去掉 d、将<style>标记中的所有内容去掉 e、将td换成空格，tr,li,br,p 等标记换成换行符 f、去掉所有以“<>”符号为头尾的标记去掉。g、转换&，...
word如何清除格式为纯文本word如何清除格式为纯文本内容
另外，也可以使用快捷键Ctrl+空格键将文本变为纯文本格式。值得注意的是，在清除格式之前最好先备份原始文本，以防止发生意外情况。以上方法能够有效清除word中的文本格式，使其变为纯文本。work工具栏有清除格式按钮，选中需要清除格式的内容，点一下清除格式，就行了 ...
怎么让HTML显示纯文本
1、在做接口的时候，有些模板xml标签不是CDATA规范的，这样就会在碰到&这样的字符出现错误，需要替换，简单的思路是字符串替换或正则匹配，将&替换成& 。2、特别是有些专辑描述是html的内容，写入xml文件的时候需要将html内容转化为文本内容。3、下面给出HTML内容输出为存文本的两种工具方法，方便以后查阅...
如何去掉所有HTML标记,只保留纯文本
set re=Nothing 后面加上下面两行就行了。str=Replace(str," ","")str=Replace(str," ","")一个是去掉普通空格，一个是去掉全角空格。
asp.net c# 怎么将html转换为纯文本
简单的方法，复制到记事本里粘贴，然后再复制到ckeditor里，这样一般就没有html标签了，如果再有 可能也只是有一个P标签 ，切换到html状态下 删了就是了，当然另外有更好的方法就是在提交数据的时候，过滤HTML标签
html富文本编辑器,复制的标签如何处理
可以通过纯文本粘贴功能，将复制的标签转换成纯文本格式，再根据需要添加格式和样式。另外，也可以使用html清理工具，将复制的标签中的不必要的元素和样式进行过滤和清理，保留必要的内容和样式。这样可以确保编辑器中的内容格式干净整洁，符合预期。
如何将html实体转换成中文汉字
您的想要表达的应该过滤HTML标签吧 可以使用在线HTML\/JS\/CSS代码过滤工具。效果如图。本工具可以帮助你过滤掉文本中的html代码、js代码、css代码，生成干净的纯文本，也可以自己定义要替换的代码进行过滤。希望可以帮到您~
将文档目录转变为纯文本格式的最优操作方法是
将文档目录转变为纯文本格式的最优操作方法是复制粘贴法、使用转换工具。1、复制粘贴法：将文档目录中的内容复制到记事本或其他文本编辑器中，然后保存为纯文本格式，即可得到目录的纯文本格式。2、使用转换工具：可以使用一些文档转换工具，将Word文档转换为纯文本格式。常用的工具有Pandoc、Calibre等。使用...
