以编程方式删除所有 html 和内联格式

Question

我已经接管了一个代码库，我必须阅读这些由 Microsoft Word 生成的 html 文件，我认为它具有各种古怪的内联格式。

无论如何都可以解析出所有错误的内联格式并从该流中获取文本。我基本上想要一个程序化的净化器，这样我就可以应用一些合理的 css

Answer 1

您应该使用HTML Tidy - 它在清理 HTML 时是独一无二的。有一个article on DevX that describes how to do it from .NET。

Answer 2

最后我只写了一个小类，做了一堆查找和替换。不漂亮，但它有效。