C# ASPX开发中HTML输出转文本输出的核心技术详解 从基础实现原理到高级应用场景以及安全处理性能优化和最佳实践的全方位指南

威震华夏关云长

引言

在ASP.NET开发中，处理HTML输出并将其转换为纯文本输出是一个常见且重要的需求。这种转换在多种场景下都非常有用，例如生成邮件内容、创建RSS订阅、导出数据为文本格式、搜索引擎优化等。本文将全面探讨C# ASPX开发中HTML输出转文本输出的核心技术，从基础实现原理到高级应用场景，以及安全处理、性能优化和最佳实践，为开发人员提供全方位的指南。

基础实现原理

ASPX页面的生命周期

ASPX页面有一个复杂的生命周期，包括初始化、加载视图状态、处理回发事件、呈现等阶段。在呈现阶段，ASPX将服务器控件转换为HTML，然后发送到客户端浏览器。理解这一生命周期对于掌握HTML到文本的转换至关重要。

2. // ASPX页面生命周期示例
3. public partial class ExamplePage : System.Web.UI.Page
4. {
5.     protected void Page_Init(object sender, EventArgs e)
6.     {
7.         // 初始化阶段
8.     }
9.    
10.     protected void Page_Load(object sender, EventArgs e)
11.     {
12.         // 加载阶段
13.     }
14.    
15.     protected void Page_PreRender(object sender, EventArgs e)
16.     {
17.         // 预呈现阶段
18.     }
19.    
20.     protected void Page_Render(object sender, EventArgs e)
21.     {
22.         // 呈现阶段 - HTML在此阶段生成
23.     }
24.    
25.     protected void Page_Unload(object sender, EventArgs e)
26.     {
27.         // 卸载阶段
28.     }
29. }

复制代码

HTML和文本输出的区别

HTML输出包含标签、属性和其他HTML特定元素，而文本输出则是纯文本内容，不包含任何HTML标记。将HTML转换为文本需要去除所有HTML标记，只保留标签之间的文本内容。

例如：

• HTML输出：<p>这是一个<strong>重要</strong>的段落。</p>
• 文本输出：这是一个重要的段落。

基本转换原理

HTML到文本的转换基本原理是解析HTML内容，识别并移除HTML标签，同时保留标签之间的文本内容。这可以通过正则表达式、HTML解析器或专门的库来实现。

核心技术详解

使用正则表达式

正则表达式是一种简单但功能强大的方法，用于从HTML中提取文本内容。

2. using System.Text.RegularExpressions;
4. public static string HtmlToTextUsingRegex(string html)
5. {
6.     // 移除HTML标签
7.     string text = Regex.Replace(html, "<[^>]*(>|$)", string.Empty);
8.    
9.     // 解码HTML实体
10.     text = HttpUtility.HtmlDecode(text);
11.    
12.     // 规范化空白字符
13.     text = Regex.Replace(text, "\\s+", " ").Trim();
14.    
15.     return text;
16. }

复制代码

这种方法的优点是简单直接，不需要额外的库。但是，正则表达式可能无法正确处理复杂的HTML结构，尤其是嵌套标签或包含特殊字符的HTML。

使用HtmlAgilityPack

HtmlAgilityPack是一个流行的.NET HTML解析器，它提供了更可靠的方式来处理HTML内容。

首先，需要安装NuGet包：

2. Install-Package HtmlAgilityPack

复制代码

然后使用以下代码：

2. using HtmlAgilityPack;
4. public static string HtmlToTextUsingHtmlAgilityPack(string html)
5. {
6.     if (string.IsNullOrEmpty(html))
7.     {
8.         return string.Empty;
9.     }
11.     var htmlDoc = new HtmlDocument();
12.     htmlDoc.LoadHtml(html);
13.    
14.     // 使用XPath选择所有文本节点
15.     var textNodes = htmlDoc.DocumentNode.SelectNodes("//text()");
16.    
17.     if (textNodes == null)
18.     {
19.         return string.Empty;
20.     }
21.    
22.     // 连接所有文本节点
23.     var text = string.Join(" ", textNodes.Select(node => node.InnerText.Trim()));
24.    
25.     // 规范化空白字符
26.     text = Regex.Replace(text, "\\s+", " ").Trim();
27.    
28.     return text;
29. }

复制代码

HtmlAgilityPack能够更好地处理复杂的HTML结构，包括格式不正确的HTML。它还提供了XPath查询功能，可以更精确地选择需要的文本内容。

使用AngleSharp

AngleSharp是另一个强大的HTML解析库，它提供了符合现代标准的HTML解析能力。

首先，安装NuGet包：

2. Install-Package AngleSharp

复制代码

然后使用以下代码：

2. using AngleSharp;
3. using AngleSharp.Dom;
4. using AngleSharp.Html.Parser;
6. public static string HtmlToTextUsingAngleSharp(string html)
7. {
8.     if (string.IsNullOrEmpty(html))
9.     {
10.         return string.Empty;
11.     }
13.     // 创建HTML解析器
14.     var parser = new HtmlParser();
15.     var document = parser.ParseDocument(html);
16.    
17.     // 获取文档的文本内容
18.     var text = document.TextContent;
19.    
20.     // 规范化空白字符
21.     text = Regex.Replace(text, "\\s+", " ").Trim();
22.    
23.     return text;
24. }

复制代码

AngleSharp提供了更现代的HTML解析能力，支持HTML5标准，并且可以更好地处理复杂的HTML文档。

使用WebBrowser控件

在某些情况下，可以使用WebBrowser控件来渲染HTML，然后提取文本内容。

2. using System.Windows.Forms;
3. using System.Threading;
5. public static string HtmlToTextUsingWebBrowser(string html)
6. {
7.     if (string.IsNullOrEmpty(html))
8.     {
9.         return string.Empty;
10.     }
12.     string text = string.Empty;
13.    
14.     // 创建WebBrowser控件
15.     var webBrowser = new WebBrowser();
16.    
17.     // 设置文档文本
18.     webBrowser.DocumentText = html;
19.    
20.     // 等待文档加载完成
21.     while (webBrowser.ReadyState != WebBrowserReadyState.Complete)
22.     {
23.         Application.DoEvents();
24.         Thread.Sleep(100);
25.     }
26.    
27.     // 获取文档的文本内容
28.     text = webBrowser.Document.Body.InnerText;
29.    
30.     // 规范化空白字符
31.     text = Regex.Replace(text, "\\s+", " ").Trim();
32.    
33.     // 释放资源
34.     webBrowser.Dispose();
35.    
36.     return text;
37. }

复制代码

这种方法可以很好地处理复杂的HTML，包括JavaScript生成的内容，但它的性能较差，并且需要STA线程，不适合在服务器端应用程序中使用。

使用.NET内置的HttpUtility类

.NET框架提供了HttpUtility类，其中包含一些处理HTML的方法。

2. using System.Web;
4. public static string HtmlToTextUsingHttpUtility(string html)
5. {
6.     if (string.IsNullOrEmpty(html))
7.     {
8.         return string.Empty;
9.     }
11.     // 使用正则表达式移除HTML标签
12.     string text = Regex.Replace(html, "<[^>]*(>|$)", string.Empty);
13.    
14.     // 解码HTML实体
15.     text = HttpUtility.HtmlDecode(text);
16.    
17.     // 规范化空白字符
18.     text = Regex.Replace(text, "\\s+", " ").Trim();
19.    
20.     return text;
21. }

复制代码

这种方法简单直接，但与使用正则表达式的方法类似，可能无法正确处理复杂的HTML结构。

高级应用场景

从网页提取内容用于搜索引擎优化

在SEO中，有时需要从网页中提取纯文本内容，以便搜索引擎更好地理解和索引页面内容。

2. using HtmlAgilityPack;
4. public static string ExtractContentForSEO(string html)
5. {
6.     if (string.IsNullOrEmpty(html))
7.     {
8.         return string.Empty;
9.     }
11.     var htmlDoc = new HtmlDocument();
12.     htmlDoc.LoadHtml(html);
13.    
14.     // 移除不需要的元素，如脚本、样式、导航等
15.     var nodesToRemove = htmlDoc.DocumentNode.SelectNodes("//script|//style|//nav|//header|//footer");
16.     if (nodesToRemove != null)
17.     {
18.         foreach (var node in nodesToRemove)
19.         {
20.             node.Remove();
21.         }
22.     }
23.    
24.     // 获取主要内容区域的文本
25.     var contentNode = htmlDoc.DocumentNode.SelectSingleNode("//main|//article|//*[@id='content']|//*[@class='content']");
26.     if (contentNode != null)
27.     {
28.         return contentNode.InnerText.Trim();
29.     }
30.    
31.     // 如果找不到主要内容区域，则返回body的文本
32.     var bodyNode = htmlDoc.DocumentNode.SelectSingleNode("//body");
33.     return bodyNode?.InnerText.Trim() ?? string.Empty;
34. }

复制代码

生成邮件纯文本版本

发送HTML邮件时，通常还需要提供一个纯文本版本作为备选。

2. using HtmlAgilityPack;
3. using System.Text;
5. public static string GeneratePlainTextEmail(string htmlEmail)
6. {
7.     if (string.IsNullOrEmpty(htmlEmail))
8.     {
9.         return string.Empty;
10.     }
12.     var htmlDoc = new HtmlDocument();
13.     htmlDoc.LoadHtml(htmlEmail);
14.    
15.     // 创建一个StringBuilder来存储纯文本内容
16.     var sb = new StringBuilder();
17.    
18.     // 处理标题
19.     var titleNode = htmlDoc.DocumentNode.SelectSingleNode("//title");
20.     if (titleNode != null)
21.     {
22.         sb.AppendLine(titleNode.InnerText);
23.         sb.AppendLine(new string('-', titleNode.InnerText.Length));
24.         sb.AppendLine();
25.     }
26.    
27.     // 处理链接
28.     var linkNodes = htmlDoc.DocumentNode.SelectNodes("//a[@href]");
29.     if (linkNodes != null)
30.     {
31.         foreach (var linkNode in linkNodes)
32.         {
33.             string linkText = linkNode.InnerText.Trim();
34.             string linkUrl = linkNode.GetAttributeValue("href", "");
35.             
36.             if (!string.IsNullOrEmpty(linkText) && !string.IsNullOrEmpty(linkUrl))
37.             {
38.                 sb.AppendLine($"{linkText}: {linkUrl}");
39.             }
40.         }
41.         sb.AppendLine();
42.     }
43.    
44.     // 处理段落
45.     var paragraphNodes = htmlDoc.DocumentNode.SelectNodes("//p");
46.     if (paragraphNodes != null)
47.     {
48.         foreach (var pNode in paragraphNodes)
49.         {
50.             string paragraphText = pNode.InnerText.Trim();
51.             if (!string.IsNullOrEmpty(paragraphText))
52.             {
53.                 sb.AppendLine(paragraphText);
54.                 sb.AppendLine();
55.             }
56.         }
57.     }
58.    
59.     // 处理列表
60.     var listNodes = htmlDoc.DocumentNode.SelectNodes("//ul|//ol");
61.     if (listNodes != null)
62.     {
63.         foreach (var listNode in listNodes)
64.         {
65.             bool isOrdered = listNode.Name == "ol";
66.             int counter = 1;
67.             
68.             var listItemNodes = listNode.SelectNodes("./li");
69.             if (listItemNodes != null)
70.             {
71.                 foreach (var liNode in listItemNodes)
72.                 {
73.                     string itemText = liNode.InnerText.Trim();
74.                     if (!string.IsNullOrEmpty(itemText))
75.                     {
76.                         if (isOrdered)
77.                         {
78.                             sb.AppendLine($"{counter++}. {itemText}");
79.                         }
80.                         else
81.                         {
82.                             sb.AppendLine($"• {itemText}");
83.                         }
84.                     }
85.                 }
86.                 sb.AppendLine();
87.             }
88.         }
89.     }
90.    
91.     return sb.ToString().Trim();
92. }

复制代码

从HTML生成RSS订阅内容

RSS订阅通常需要纯文本内容，而不是HTML。

2. using HtmlAgilityPack;
3. using System.Xml;
4. using System.Text;
6. public static string GenerateRssContentFromHtml(string html, string title, string link, string description)
7. {
8.     if (string.IsNullOrEmpty(html))
9.     {
10.         return string.Empty;
11.     }
13.     // 提取纯文本内容
14.     var htmlDoc = new HtmlDocument();
15.     htmlDoc.LoadHtml(html);
16.    
17.     // 移除不需要的元素
18.     var nodesToRemove = htmlDoc.DocumentNode.SelectNodes("//script|//style|//nav|//header|//footer");
19.     if (nodesToRemove != null)
20.     {
21.         foreach (var node in nodesToRemove)
22.         {
23.             node.Remove();
24.         }
25.     }
26.    
27.     // 获取主要内容
28.     string content = htmlDoc.DocumentNode.InnerText.Trim();
29.    
30.     // 限制内容长度
31.     if (content.Length > 500)
32.     {
33.         content = content.Substring(0, 500) + "...";
34.     }
35.    
36.     // 创建RSS XML
37.     var sb = new StringBuilder();
38.     using (var writer = XmlWriter.Create(sb, new XmlWriterSettings { Indent = true }))
39.     {
40.         writer.WriteStartElement("rss");
41.         writer.WriteAttributeString("version", "2.0");
42.         
43.         writer.WriteStartElement("channel");
44.         
45.         writer.WriteElementString("title", title);
46.         writer.WriteElementString("link", link);
47.         writer.WriteElementString("description", description);
48.         writer.WriteElementString("pubDate", DateTime.Now.ToString("r"));
49.         
50.         writer.WriteStartElement("item");
51.         writer.WriteElementString("title", title);
52.         writer.WriteElementString("link", link);
53.         writer.WriteElementString("description", content);
54.         writer.WriteElementString("pubDate", DateTime.Now.ToString("r"));
55.         writer.WriteEndElement(); // item
56.         
57.         writer.WriteEndElement(); // channel
58.         writer.WriteEndElement(); // rss
59.     }
60.    
61.     return sb.ToString();
62. }

复制代码

生成PDF文档的文本内容

在生成PDF文档时，通常需要从HTML中提取纯文本内容。

2. using HtmlAgilityPack;
3. using iTextSharp.text;
4. using iTextSharp.text.pdf;
5. using System.IO;
7. public static byte[] GeneratePdfFromHtml(string html, string title)
8. {
9.     if (string.IsNullOrEmpty(html))
10.     {
11.         return null;
12.     }
14.     // 提取纯文本内容
15.     var htmlDoc = new HtmlDocument();
16.     htmlDoc.LoadHtml(html);
17.    
18.     string text = htmlDoc.DocumentNode.InnerText.Trim();
19.    
20.     // 创建PDF文档
21.     using (var memoryStream = new MemoryStream())
22.     {
23.         var document = new Document(PageSize.A4);
24.         PdfWriter writer = PdfWriter.GetInstance(document, memoryStream);
25.         document.Open();
26.         
27.         // 添加标题
28.         var titleFont = FontFactory.GetFont(FontFactory.HELVETICA_BOLD, 16);
29.         document.Add(new Paragraph(title, titleFont));
30.         document.Add(new Paragraph(" "));
31.         
32.         // 添加内容
33.         var contentFont = FontFactory.GetFont(FontFactory.HELVETICA, 12);
34.         document.Add(new Paragraph(text, contentFont));
35.         
36.         document.Close();
37.         writer.Close();
38.         
39.         return memoryStream.ToArray();
40.     }
41. }

复制代码

安全处理

防止XSS攻击

在处理HTML内容时，需要防止XSS（跨站脚本）攻击。即使我们只是提取文本内容，也应该确保输入是安全的。

2. using System.Web;
4. public static string SanitizeHtmlInput(string html)
5. {
6.     if (string.IsNullOrEmpty(html))
7.     {
8.         return string.Empty;
9.     }
11.     // 使用AntiXSS库来清理HTML输入
12.     // 需要安装NuGet包: Install-Package AntiXSS
13.     var sanitizedHtml = Microsoft.Security.Application.Sanitizer.GetSafeHtmlFragment(html);
14.    
15.     return sanitizedHtml;
16. }
18. public static string SafeHtmlToText(string html)
19. {
20.     // 首先清理HTML输入
21.     string sanitizedHtml = SanitizeHtmlInput(html);
22.    
23.     // 然后转换为文本
24.     return HtmlToTextUsingHtmlAgilityPack(sanitizedHtml);
25. }

复制代码

处理HTML实体

在转换HTML为文本时，需要正确处理HTML实体，如、&lt;、&gt;等。

2. using System.Web;
4. public static string DecodeHtmlEntities(string text)
5. {
6.     if (string.IsNullOrEmpty(text))
7.     {
8.         return string.Empty;
9.     }
11.     // 使用HttpUtility.HtmlDecode来解码HTML实体
12.     return HttpUtility.HtmlDecode(text);
13. }
15. public static string HtmlToTextWithEntityDecoding(string html)
16. {
17.     // 首先转换为文本
18.     string text = HtmlToTextUsingHtmlAgilityPack(html);
19.    
20.     // 然后解码HTML实体
21.     return DecodeHtmlEntities(text);
22. }

复制代码

防止信息泄露

在处理用户提供的HTML内容时，需要防止敏感信息泄露。

2. using System.Text.RegularExpressions;
4. public static string RemoveSensitiveInformation(string text)
5. {
6.     if (string.IsNullOrEmpty(text))
7.     {
8.         return string.Empty;
9.     }
11.     // 移除电子邮件地址
12.     text = Regex.Replace(text, @"\b[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,}\b", "[EMAIL REMOVED]", RegexOptions.IgnoreCase);
13.    
14.     // 移除电话号码
15.     text = Regex.Replace(text, @"\b\d{3}[-.\s]?\d{3}[-.\s]?\d{4}\b", "[PHONE REMOVED]");
16.    
17.     // 移除信用卡号
18.     text = Regex.Replace(text, @"\b\d{4}[-.\s]?\d{4}[-.\s]?\d{4}[-.\s]?\d{4}\b", "[CREDIT CARD REMOVED]");
19.    
20.     // 移除社会安全号码
21.     text = Regex.Replace(text, @"\b\d{3}[-.\s]?\d{2}[-.\s]?\d{4}\b", "[SSN REMOVED]");
22.    
23.     return text;
24. }
26. public static string SafeHtmlToTextWithPrivacyProtection(string html)
27. {
28.     // 首先转换为文本
29.     string text = HtmlToTextUsingHtmlAgilityPack(html);
30.    
31.     // 然后解码HTML实体
32.     text = DecodeHtmlEntities(text);
33.    
34.     // 最后移除敏感信息
35.     return RemoveSensitiveInformation(text);
36. }

复制代码

性能优化

使用缓存

对于频繁转换的HTML内容，可以使用缓存来提高性能。

2. using System.Runtime.Caching;
4. public static string CachedHtmlToText(string html)
5. {
6.     if (string.IsNullOrEmpty(html))
7.     {
8.         return string.Empty;
9.     }
11.     // 创建缓存键
12.     string cacheKey = $"HtmlToText_{html.GetHashCode()}";
13.    
14.     // 尝试从缓存中获取结果
15.     var cache = MemoryCache.Default;
16.     if (cache.Contains(cacheKey))
17.     {
18.         return (string)cache.Get(cacheKey);
19.     }
20.    
21.     // 如果不在缓存中，则进行转换
22.     string text = HtmlToTextUsingHtmlAgilityPack(html);
23.    
24.     // 将结果添加到缓存，设置过期时间为1小时
25.     var policy = new CacheItemPolicy
26.     {
27.         AbsoluteExpiration = DateTimeOffset.Now.AddHours(1)
28.     };
29.     cache.Set(cacheKey, text, policy);
30.    
31.     return text;
32. }

复制代码

异步处理

对于大量HTML内容的转换，可以使用异步处理来提高性能。

2. using System.Threading.Tasks;
4. public static async Task<string> HtmlToTextAsync(string html)
5. {
6.     if (string.IsNullOrEmpty(html))
7.     {
8.         return await Task.FromResult(string.Empty);
9.     }
11.     return await Task.Run(() =>
12.     {
13.         return HtmlToTextUsingHtmlAgilityPack(html);
14.     });
15. }
17. public static async Task<string[]> BatchHtmlToTextAsync(string[] htmlArray)
18. {
19.     if (htmlArray == null || htmlArray.Length == 0)
20.     {
21.         return new string[0];
22.     }
24.     var tasks = new Task<string>[htmlArray.Length];
25.    
26.     for (int i = 0; i < htmlArray.Length; i++)
27.     {
28.         tasks[i] = HtmlToTextAsync(htmlArray[i]);
29.     }
30.    
31.     return await Task.WhenAll(tasks);
32. }

复制代码

优化正则表达式

正则表达式可能会成为性能瓶颈，特别是在处理大量HTML内容时。

2. using System.Text.RegularExpressions;
4. public static class HtmlRegexPatterns
5. {
6.     public static readonly Regex HtmlTagRegex = new Regex("<[^>]*(>|$)", RegexOptions.Compiled);
7.     public static readonly Regex WhitespaceRegex = new Regex("\\s+", RegexOptions.Compiled);
8. }
10. public static string OptimizedHtmlToTextUsingRegex(string html)
11. {
12.     if (string.IsNullOrEmpty(html))
13.     {
14.         return string.Empty;
15.     }
17.     // 使用预编译的正则表达式
18.     string text = HtmlRegexPatterns.HtmlTagRegex.Replace(html, string.Empty);
19.     text = HttpUtility.HtmlDecode(text);
20.     text = HtmlRegexPatterns.WhitespaceRegex.Replace(text, " ").Trim();
21.    
22.     return text;
23. }

复制代码

使用StringBuilder处理大文本

对于大型HTML文档，使用StringBuilder可以提高性能。

2. using System.Text;
3. using HtmlAgilityPack;
5. public static string HtmlToTextUsingStringBuilder(string html)
6. {
7.     if (string.IsNullOrEmpty(html))
8.     {
9.         return string.Empty;
10.     }
12.     var htmlDoc = new HtmlDocument();
13.     htmlDoc.LoadHtml(html);
14.    
15.     var sb = new StringBuilder();
16.    
17.     // 使用递归处理节点
18.     ProcessNode(htmlDoc.DocumentNode, sb);
19.    
20.     // 规范化空白字符
21.     string text = sb.ToString();
22.     text = Regex.Replace(text, "\\s+", " ").Trim();
23.    
24.     return text;
25. }
27. private static void ProcessNode(HtmlNode node, StringBuilder sb)
28. {
29.     if (node.NodeType == HtmlNodeType.Text)
30.     {
31.         sb.Append(node.InnerText);
32.     }
33.     else
34.     {
35.         foreach (var child in node.ChildNodes)
36.         {
37.             ProcessNode(child, sb);
38.         }
39.     }
40. }

复制代码

最佳实践

选择合适的方法

根据具体需求选择合适的HTML到文本转换方法：

• 对于简单的HTML和性能要求不高的场景，可以使用正则表达式方法。
• 对于复杂的HTML和需要更精确控制的场景，应使用HtmlAgilityPack或AngleSharp。
• 对于需要处理JavaScript生成内容的场景，可以考虑使用WebBrowser控件（但要注意性能限制）。

处理边缘情况

考虑各种边缘情况，如空输入、格式不正确的HTML、包含脚本或样式的HTML等。

2. public static string RobustHtmlToText(string html)
3. {
4.     if (string.IsNullOrEmpty(html))
5.     {
6.         return string.Empty;
7.     }
9.     try
10.     {
11.         // 清理HTML输入
12.         string sanitizedHtml = SanitizeHtmlInput(html);
13.         
14.         // 转换为文本
15.         string text = HtmlToTextUsingHtmlAgilityPack(sanitizedHtml);
16.         
17.         // 解码HTML实体
18.         text = DecodeHtmlEntities(text);
19.         
20.         // 移除敏感信息
21.         text = RemoveSensitiveInformation(text);
22.         
23.         return text;
24.     }
25.     catch (Exception ex)
26.     {
27.         // 记录错误
28.         // Logger.Error("Error converting HTML to text", ex);
29.         
30.         // 返回空字符串或原始HTML的简化版本
31.         return "Error processing content.";
32.     }
33. }

复制代码

遵循单一职责原则

将HTML到文本的转换逻辑封装在单独的类或方法中，遵循单一职责原则。

2. public interface IHtmlToTextConverter
3. {
4.     string Convert(string html);
5. }
7. public class HtmlAgilityPackConverter : IHtmlToTextConverter
8. {
9.     public string Convert(string html)
10.     {
11.         if (string.IsNullOrEmpty(html))
12.         {
13.             return string.Empty;
14.         }
16.         var htmlDoc = new HtmlDocument();
17.         htmlDoc.LoadHtml(html);
18.         
19.         var textNodes = htmlDoc.DocumentNode.SelectNodes("//text()");
20.         if (textNodes == null)
21.         {
22.             return string.Empty;
23.         }
24.         
25.         var text = string.Join(" ", textNodes.Select(node => node.InnerText.Trim()));
26.         text = Regex.Replace(text, "\\s+", " ").Trim();
27.         
28.         return text;
29.     }
30. }
32. public class HtmlToTextService
33. {
34.     private readonly IHtmlToTextConverter _converter;
35.    
36.     public HtmlToTextService(IHtmlToTextConverter converter)
37.     {
38.         _converter = converter ?? throw new ArgumentNullException(nameof(converter));
39.     }
40.    
41.     public string ConvertHtmlToText(string html)
42.     {
43.         if (string.IsNullOrEmpty(html))
44.         {
45.             return string.Empty;
46.         }
48.         try
49.         {
50.             // 清理HTML输入
51.             string sanitizedHtml = SanitizeHtmlInput(html);
52.             
53.             // 转换为文本
54.             string text = _converter.Convert(sanitizedHtml);
55.             
56.             // 解码HTML实体
57.             text = DecodeHtmlEntities(text);
58.             
59.             // 移除敏感信息
60.             text = RemoveSensitiveInformation(text);
61.             
62.             return text;
63.         }
64.         catch (Exception ex)
65.         {
66.             // 记录错误
67.             // Logger.Error("Error converting HTML to text", ex);
68.             
69.             // 返回空字符串或原始HTML的简化版本
70.             return "Error processing content.";
71.         }
72.     }
73.    
74.     private string SanitizeHtmlInput(string html)
75.     {
76.         // 实现清理逻辑
77.         return Microsoft.Security.Application.Sanitizer.GetSafeHtmlFragment(html);
78.     }
79.    
80.     private string DecodeHtmlEntities(string text)
81.     {
82.         // 实现解码逻辑
83.         return HttpUtility.HtmlDecode(text);
84.     }
85.    
86.     private string RemoveSensitiveInformation(string text)
87.     {
88.         // 实现敏感信息移除逻辑
89.         return text; // 简化示例
90.     }
91. }

复制代码

编写单元测试

为HTML到文本的转换功能编写单元测试，确保其正确性和可靠性。

2. using NUnit.Framework;
3. using System;
5. [TestFixture]
6. public class HtmlToTextConverterTests
7. {
8.     private IHtmlToTextConverter _converter;
9.    
10.     [SetUp]
11.     public void Setup()
12.     {
13.         _converter = new HtmlAgilityPackConverter();
14.     }
15.    
16.     [Test]
17.     public void Convert_NullInput_ReturnsEmptyString()
18.     {
19.         string result = _converter.Convert(null);
20.         Assert.AreEqual(string.Empty, result);
21.     }
22.    
23.     [Test]
24.     public void Convert_EmptyInput_ReturnsEmptyString()
25.     {
26.         string result = _converter.Convert(string.Empty);
27.         Assert.AreEqual(string.Empty, result);
28.     }
29.    
30.     [Test]
31.     public void Convert_SimpleHtml_ReturnsText()
32.     {
33.         string html = "<p>Hello, world!</p>";
34.         string result = _converter.Convert(html);
35.         Assert.AreEqual("Hello, world!", result);
36.     }
37.    
38.     [Test]
39.     public void Convert_ComplexHtml_ReturnsText()
40.     {
41.         string html = "<html><head><title>Test</title></head><body><h1>Heading</h1><p>This is a <strong>test</strong> paragraph.</p></body></html>";
42.         string result = _converter.Convert(html);
43.         Assert.AreEqual("Test Heading This is a test paragraph.", result);
44.     }
45.    
46.     [Test]
47.     public void Convert_HtmlWithEntities_DecodesEntities()
48.     {
49.         string html = "<p>This is a &lt;test&gt; paragraph.</p>";
50.         string result = _converter.Convert(html);
51.         Assert.AreEqual("This is a <test> paragraph.", result);
52.     }
53. }
55. [TestFixture]
56. public class HtmlToTextServiceTests
57. {
58.     private IHtmlToTextConverter _converterMock;
59.     private HtmlToTextService _service;
60.    
61.     [SetUp]
62.     public void Setup()
63.     {
64.         _converterMock = new MockHtmlToTextConverter();
65.         _service = new HtmlToTextService(_converterMock);
66.     }
67.    
68.     [Test]
69.     public void ConvertHtmlToText_NullInput_ReturnsEmptyString()
70.     {
71.         string result = _service.ConvertHtmlToText(null);
72.         Assert.AreEqual(string.Empty, result);
73.     }
74.    
75.     [Test]
76.     public void ConvertHtmlToText_EmptyInput_ReturnsEmptyString()
77.     {
78.         string result = _service.ConvertHtmlToText(string.Empty);
79.         Assert.AreEqual(string.Empty, result);
80.     }
81.    
82.     [Test]
83.     public void ConvertHtmlToText_ValidInput_ReturnsConvertedText()
84.     {
85.         string html = "<p>Hello, world!</p>";
86.         string result = _service.ConvertHtmlToText(html);
87.         Assert.AreEqual("Hello, world!", result);
88.     }
89.    
90.     private class MockHtmlToTextConverter : IHtmlToTextConverter
91.     {
92.         public string Convert(string html)
93.         {
94.             if (string.IsNullOrEmpty(html))
95.             {
96.                 return string.Empty;
97.             }
98.             
99.             // 简单的模拟实现
100.             return html.Replace("<p>", "").Replace("</p>", "").Trim();
101.         }
102.     }
103. }

复制代码

结论

在C# ASPX开发中，将HTML输出转换为文本输出是一个常见的需求，涉及多种技术和方法。本文从基础实现原理到高级应用场景，以及安全处理、性能优化和最佳实践，全面介绍了HTML到文本转换的核心技术。

通过选择合适的转换方法（如正则表达式、HtmlAgilityPack、AngleSharp等），处理各种边缘情况，遵循最佳实践，并确保安全性和性能，开发人员可以有效地实现HTML到文本的转换功能，满足不同场景的需求。

在实际开发中，应根据具体需求选择合适的方法，并考虑安全性、性能和可维护性等因素。通过封装转换逻辑、编写单元测试和遵循单一职责原则，可以构建可靠、高效的HTML到文本转换解决方案。

希望本文能为ASP.NET开发人员提供有价值的参考，帮助他们更好地理解和应用HTML到文本转换的技术。