c# - 在不剥离标签的情况下获取 HTML 内容的前 100 个字符

Question

关于如何剥离html标签的问题很多，但关于关闭标签的函数/方法的问题却不多。

情况是这样的。我有一个 500 个字符的消息摘要(其中包括 html 标签)，但我只想要前 100 个字符。问题是如果我截断消息，它可能位于 html 标记的中间……这会弄乱内容。

假设 html 是这样的:

<div class="bd">"Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. <br/>
 <br/>Some Dates: April 30 - May 2, 2010 <br/>
 <p>Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. <em>Duis aute irure dolor in reprehenderit</em> in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum. <br/>
 </p>
 For more information about Lorem Ipsum doemdloe, visit: <br/>
 <a href="http://www.somesite.com" title="Some Conference">Some text link</a><br/> 
</div>

我将如何获取前 ~100 个左右的字符？ (虽然，理想情况下，这将是“CONTENT”的前大约 100 个字符(在 html 标签之间)

我假设最好的方法是使用递归算法跟踪 html 标签并附加任何将被截断的标签，但这可能不是最好的方法。

我的第一个想法是使用递归来计算嵌套标签，当我们达到 100 个字符时，寻找下一个“<”，然后使用递归从那里编写所需的结束 html 标签。

这样做的原因是为了对现有文章做一个简短的总结，而不需要用户返回并提供所有文章的总结。如果可能，我想保留 html 格式。

注意:请忽略 html 并非完全语义化。这是我所见即所得必须处理的问题。

编辑:

我添加了一个潜在的解决方案(似乎有效)我认为其他人也会遇到这个问题。我不确定它是否是最好的...而且它可能并不完全可靠(事实上，我知道它不是)，但我将不胜感激任何反馈

Answer 1

这是大多数情况下的解决方案。它不会处理不正确的 html 标签，以及像“ac”这样的情况。但它适用于我的目的，也许对其他人有帮助。

    /// <summary>
    /// Gets first number of characters from the html string without stripping tags
    /// </summary>
    /// <param name="htmlString">The html string, not encoded, pure html</param>
    /// <param name="length">The number of first characters to get</param>
    /// <returns>The html string</returns>
    public static string GetFirstCharacters(string htmlString, int length)
    {
        if (htmlString == null)
            return string.Empty;

        if(htmlString.Length < length)
            return htmlString;

        // regex to separate string on parts: tags, texts
        var separateRegex = new Regex("([^>][^<>]*[^<])|[\\S]{1}");
        // regex to identify tags
        var tagsRegex = new Regex("^<[^>]+>$");

        // separate string on tags and texts
        var matches = separateRegex.Matches(htmlString);

        // looping by mathes
        // if it's a tag then just append it to resuls,
        // if it's a text then append substing of it (considering the number of characters)
        var counter = 0;
        var sb = new StringBuilder();
        for (var i = 0; i < matches.Count; i++)
        {
            var m = matches[i].Value;

            // check if it's a tag
            if (tagsRegex.IsMatch(m))
            {
                sb.Append(m);
            }
            else
            {
                var lengthToCut = length - counter;

                var sub = lengthToCut >= m.Length
                    ? m
                    : m.Substring(0, lengthToCut);

                counter += sub.Length;
                sb.Append(sub);
            }
        }

        return sb.ToString();
    }