拥有一个网页的HTML，如何获取该网页的可见文字？

有了网页的HTML，获得相应页面上可见的文本的最简单策略是什么？我曾想过要得到介于

。

和

之间的所有东西，

，但效果不太好

请记住，这是一个学校项目，我不允许使用任何类型的外部库（想法是必须自己进行解析）。此外，这将在下载页面的HTML时实现，也就是说，我不能假设我已经下载了整个HTML页面。它必须在下载HTML时显示提取的可见单词

---

也不必为所有的情况而工作，只是在大多数时候都是令人满意的。

< P>我会考虑编写正则表达式来删除所有HTML标记，而你应该保留你想要的文本。这可以在JavaScript中完成，不需要任何特殊的东西。

< P>我会考虑编写正则表达式来删除所有HTML标记，并且应该保留你想要的文本。这可以用Javascript来完成，不需要任何特殊的东西。

从字面上看，所有可见的文本听起来像是学校项目的一个大要求，因为它不仅取决于HTML本身，还取决于任何页面内或外部样式。一种解决方案是简单地从输入中删除HTML标记，尽管这不能严格满足您所述的要求

---

假设near-enough足够好，你可以第一次去掉你知道不可见的整个元素的内容（例如

script

，

style

），第二次去掉剩下的标记本身。

实际上所有可见的文本听起来像是对学校项目的一个大要求，因为它不仅依赖于HTML本身，还依赖于任何页面内或外部样式。一种解决方案是简单地从输入中删除HTML标记，尽管这不能严格满足您所述的要求

---

假设near-enough足够好，您可以第一次删除您知道不可见的整个元素的内容（例如

script

，

style

），第二次删除剩余的标记本身。

我知道这并不是您所要求的，但是可以使用正则表达式来实现：

//javascript code
//should (could) work in C# (needs escaping for quotes) :
h = h.replace(/<(?:"[^"]*"|'[^']*'|[^'">])*>/g,'');

//javascript代码
//应该（可以）在C#中工作（需要转义引号）：
h=h。替换（/]）*>/g'；

此RegExp将删除HTML标记，但请注意，您首先需要删除脚本、链接、样式等，。。。标签

---

如果您决定这样做，我可以帮助您使用所需的正则表达式。

我知道这并不是您想要的，但可以使用正则表达式：

//javascript code
//should (could) work in C# (needs escaping for quotes) :
h = h.replace(/<(?:"[^"]*"|'[^']*'|[^'">])*>/g,'');

//javascript代码
//应该（可以）在C#中工作（需要转义引号）：
h=h。替换（/]）*>/g'；

此RegExp将删除HTML标记，但请注意，您首先需要删除脚本、链接、样式等，。。。标签

如果您决定这样做，我可以帮助您使用所需的正则表达式

我不允许使用任何类型的外部库

对于“软件架构”课程来说，这是一个很差的要求。正确解析HTML是极其困难的，当然这超出了课程练习的范围。任何涉及正则表达式黑客的天真方法都会在普通网页上严重失败

软件架构上正确的做法是使用一个已经解决了解析HTML问题的外部库（例如.NET的HTML Agility Pack），然后迭代它生成的文档对象，查找不在“不可见”元素（如

）中的文本节点

如果从网页中获取数据的任务是由您自己选择的，为了证明其他一些原则，那么我建议选择一个不同的挑战，一个您可以有效解决的挑战。例如，只需将输入从HTML更改为XML，就可以使用内置的XML解析器

我不允许使用任何类型的外部库

对于“软件架构”课程来说，这是一个很差的要求。正确解析HTML是极其困难的，当然这超出了课程练习的范围。任何涉及正则表达式黑客的天真方法都会在普通网页上严重失败

软件架构上正确的做法是使用一个已经解决了解析HTML问题的外部库（例如.NET的HTML Agility Pack），然后迭代它生成的文档对象，查找不在“不可见”元素（如

）中的文本节点

---

如果从网页中获取数据的任务是由您自己选择的，为了证明其他一些原则，那么我建议选择一个不同的挑战，一个您可以有效解决的挑战。例如，只需将输入从HTML更改为XML，您就可以使用内置的XML解析器。

HTML5包含对XML的详细描述。它可能比您正在寻找的更复杂，但这是推荐的方法。

HTML5包含对的详细描述。它可能比您正在寻找的更复杂，但这是推荐的方法。

您需要解析每个DOM元素的文本，然后检测该DOM元素是否可见（

el.style.display=='block'

或

'inline'

），然后，您需要检测该元素的位置是否不在页面的可视区域之外。然后，您需要检测每个元素的

z-index

，以及每个元素的背景，以便检测是否有重叠隐藏了某些文本

---

基本上，这不可能在一个月内完成。

您需要解析每个DOM元素的文本，而