C# 如何从HTML页面中提取文章文本内容，如Pocket（稍后阅读）或可读性？

我正在寻找一些开源框架或算法，通过清理HTML代码，清除垃圾，从任何HTML页面提取文章文本内容，类似于Pocket（又名Read It Later）软件的功能

Pocket官方网页：

此问题已在链接下提供： 但我的要求有点不同。我想通过保留字体和样式（CSS）来清理HTML并提取图像的主要内容。

使用-它是.NET的开源HTML解析器

什么是Html敏捷包（HAP）

这是一个敏捷的HTML解析器，它构建读/写DOM并支持纯XPATH或XSLT（您实际上不必理解XPATH或XSLT就可以使用它，不用担心……）。它是一个.NET代码库，允许您解析“web外”HTML文件。解析器对“真实世界”格式错误的HTML非常宽容。对象模型与System.Xml非常相似，但适用于HTML文档（或流）

您可以使用它来查询HTML并提取所需的任何数据。

我建议您与

在对页面进行不可读取性转码后，主文本始终位于div中，id为

readInner

//** replace this with any url **
string url = "http://www.bbc.co.uk/news/world-asia-19457334";

var t = new NReadability.NReadabilityWebTranscoder();
bool b;
string page = t.Transcode(url, out b);

if (b)
{
    HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
    doc.LoadHtml(page);

    var title = doc.DocumentNode.SelectSingleNode("//title").InnerText;
    var imgUrl = doc.DocumentNode.SelectSingleNode("//meta[@property='og:image']").Attributes["content"].Value;
    var mainText = doc.DocumentNode.SelectSingleNode("//div[@id='readInner']").InnerText;
}

---

HAP很酷，但我更喜欢ScrapySharp-build而不是HTML敏捷包。它为HAP增加了CSS选择器的支持。我已经很想用它了，但用它却不能达到预期的效果。你能指导我如何提取文章类型的内容（即文本，包括带有代码样式和图像的示例代码）.@petro.sidlovskyy-很好！我不知道，可能会在下一次需要清理HTML时开始使用它。@furqan.safdar-“无法获得期望的结果”不是很好的描述。你需要给出一个更好的定义。@furqan.safdar-这已经很清楚了。不清楚的是你在这方面遇到了什么问题。对不起，但是如果你使用HtmlAgilityPack，为什么要使用NReadability？NReadability的“文档”似乎表明它只是一个漂亮的HTML打印机（HAP也有一个函数）。@Oded，请在评论之前测试上述代码。我以前用过它，知道它是干什么的。它真的做到了OP想要的（“清理html代码”）没有冒犯的意思-没有关于该库的文档，我在网站上看到的所有信息都表明它是一台漂亮的打印机。我似乎也错过了OP在问题中要求“清理html代码”的地方。