C# 如何在服务器端将rtf和html转换为纯文本

我需要处理收到的电子邮件的主体。它们可以是纯文本、HTML和RichText格式。我需要对正文执行文本匹配算法，但是HTML和RichText标记会混淆它们。有没有办法获取纯文本数据

我正在寻找一种可以自动解析这两种格式的方法（比如当我在Total commander中按F3时，它将在HTML和RTF文件中显示文本）

商业解决方案也是一种选择

提前谢谢。

对于html，我会使用。比如说,

HtmlAgilityPack.HtmlDocument document = new HtmlAgilityPack.HtmlDocument();
document.LoadHtml(html);

foreach(var node in document.DocumentNode.Descendants("script").ToList())
{
    node.Remove();
}

var text = document.DocumentNode.InnerText;

对于rtf，我会将其加载到RichTextBox并另存为文本

---

使用IFilter接口（如和）可以是另一种选择

免责声明：我是这些库的开发人员

是的，HTML可能包含Unicode符号，如“&#XXX；”或“.”。此外，例如，如果HTML有一个包含3列和2行的表，则最好将此结果视为表格文本：

1 2 3 4 5 6

而不是“123456”

这些

示例#1-将HTML转换为Unicode文本：

        SautinSoft.HtmlToRtf h = new SautinSoft.HtmlToRtf();
        h.OutputFormat=SautinSoft.HtmlToRtf.eOutputFormat.TextUnicode;
        string text = h.ConvertString(htmlString);

        SautinSoft.RtfToHtml r = new SautinSoft.RtfToHtml();
        r.OutputFormat = SautinSoft.RtfToHtml.eOutputFormat.Text;
        string text = r.ConvertString(rtfString);

示例2-将RTF转换为Unicode文本：

        SautinSoft.HtmlToRtf h = new SautinSoft.HtmlToRtf();
        h.OutputFormat=SautinSoft.HtmlToRtf.eOutputFormat.TextUnicode;
        string text = h.ConvertString(htmlString);

        SautinSoft.RtfToHtml r = new SautinSoft.RtfToHtml();
        r.OutputFormat = SautinSoft.RtfToHtml.eOutputFormat.Text;
        string text = r.ConvertString(rtfString);

---

这应该不会太难。只要删除HTML和rtf的每一行的开头…你有没有查看过这些文件？我查看过，而且比你想象的要复杂。在HTML中，删除标记只会显示脚本和注释，这是不好的。至于rtf：非英语语言中的重音字符是经过编码的，因此它们必须被解码。