html in text speichern

Question

Hallo,
ich möchte jetzt nicht unverschämt sein aber

gibt es denn auch eine möglichkeit HTML Dateien die ich gedownloaded habe in ein txt format zu speichern ?

dann hätte ich meine ganze mühe mit Filtern (Replace) gespart.

vielen lieben dank
bernd

Answer 1

Hallo Bernd,

was hast Du vor? Eingebundene Ressourcen wie z.B. Bilder gehen in der Textdarstellung verloren.

Schöne Grüße
Oliver

Answer 2

Hallo Oliver,
ich kann z.B. aus meinem Forum oder Hompage seiten downloaden und dann in einer TextBox den Code anzeigen lassen.
Bisher habe ich mit Replace alle HTML sachen rausgefiltert. Aber das nimmt ja kein ende mehr.
Nun dachte ich, wenn doch eine rtf seite einfach so als txt gespeichert werden kann, warmum gibt es nicht soetwas für HTML.
Also url downloaden. html rausfiltern und dann in TextBox anzeigen.

sollte es dich interessieren dann schaud dir mein programm mal an.
es ist noch nicht fertig. aber das was funktioniert sieht schonmal gut aus.

danke dir
bernd


http://proggerfuny.foren-city.de/topic,214,-proggerfuny-codebox-version-1-0-0-0-ist-fertig.html

Answer 3

Hallo Bernd,

Das Herausfiltern über String.Replace ist in der Tat nicht die effektivste Möglichkeit, die HTML Tags zu entfernen. Hier würde man schon eher über Regular Expressions gehen und selbst das ist noch mit einigem Aufwand verbunden:

Convert HTML to Plain Text
http://www.codeproject.com/KB/HTML/HTML_to_Plain_Text.aspx

Als einfache Lösung bietet sich das WebBrowser Control an. Über Document.Body.OuterText bekommst Du den reinen Text des HTML Dokuments:

    Dim lWeb As New WebBrowser
    Dim lText As String

    lWeb.Navigate("http://www.vb-hellfire.de")

    Do While lWeb.ReadyState <> WebBrowserReadyState.Complete
      Application.DoEvents()
    Loop

    If lWeb.Document IsNot Nothing AndAlso _
       lWeb.Document.Body IsNot Nothing Then
      lText = lWeb.Document.Body.OuterText
    End If

Ist von der Ressourcennutzung nicht ganz ohne, da im Hintergrund quasi eine Internet Explorer Instanz gestartet wird. Ggf. lässt sich das auch alleine über die MSHTML Library erreichen.

Das HtmlAgilityPack enthält auch eine Komponente zur Konvertierung von HTML zu Text:
http://www.codeplex.com/htmlagilitypack

Als weitere Option bietet sich der Plain-Text Webbrowser Lynx an, dessen Ausgabe man sich entsprechend umleiten kann. Vorteil dürfte vor allem eine bessere Darstellung sein, da hier nicht nur einfach HTML Tags entfernt werden.

---

Thorsten Dörfler
Microsoft MVP Visual Basic

Answer 4

Hallo Thorsten,

danke. Ich schaue mir die ganzen Beiträge mal an. Ich denke aber da werde ich eine Lösung für mich fidnen.


danke wie immer
bernd

Answer 5

So,

ich habe es versuccht. geht aber nicht. genau wie bei alle meinen versuchen.

er nimmt zwar die rtf zeichen raus, jedoch macht er fehler bei den zeilenumrüchen.

die verschluckt er teilweise.

gibt es noch eine möglichkeit ?

danke

bernd

Answer 6

Hallo Bernd,

warum RTF? Du hast HTML Input behandelt. Wenn Du HTML Elemente entfernst, gibt es auch keine Information über einen Zeilenumbruch, außer im reinen Quelltext vorhandenem. Ggf. musst Du hier auch einfache Lf zu CrLf wandeln, je nach Ausgabemedium. Ggf. musst Du den Text auch nachformatieren und Zeilenumbrüche manuell einfügen, wenn die von Dir gewünschte Zeilenlänge erreicht ist. Das hängt halt von dem von Dir gewünschten Ergebnis ab.

Aber bisher hast Du uns ja nicht wirklich verraten, was Dein Ziel ist und was Du erwartest. Noch hast Du verraten, welche der genannten Möglichkeiten Du ausprobiert hast. Ich nehme an, es waren nicht alle.

---

Thorsten Dörfler
Microsoft MVP Visual Basic

Answer 7

Hallo Thorsten,
ich habe mich im Thread vertan.
Aber ich bastel an beiden lösungen rum, solange bis ich es habe. deine Beiträge werden mir helfen.

danke
bernd