API tools faq
paste
Advertisement
digioz

HTML to RTF

digioz
Jun 16th, 2015
206
0
Never
Add comment
Not a member of Pastebin yet? Sign Up, it unlocks many cool features!
C# 9.29 KB | None | 0 0
raw download clone embed print report
  1. public static string ConvertHtmlToText(string source) {
  2.  
  3.             string result;
  4.  
  5.             // Remove HTML Development formatting
  6.             // Replace line breaks with space
  7.             // because browsers inserts space
  8.             result = source.Replace("\r", " ");
  9.             // Replace line breaks with space
  10.             // because browsers inserts space
  11.             result = result.Replace("\n", " ");
  12.             // Remove step-formatting
  13.             result = result.Replace("\t", string.Empty);
  14.             // Remove repeating speces becuase browsers ignore them
  15.             result = System.Text.RegularExpressions.Regex.Replace(result,
  16.                                                                   @"( )+", " ");
  17.  
  18.             // Remove the header (prepare first by clearing attributes)
  19.             result = System.Text.RegularExpressions.Regex.Replace(result,
  20.                      @"<( )*head([^>])*>", "<head>",
  21.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  22.             result = System.Text.RegularExpressions.Regex.Replace(result,
  23.                      @"(<( )*(/)( )*head( )*>)", "</head>",
  24.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  25.             result = System.Text.RegularExpressions.Regex.Replace(result,
  26.                      "(<head>).*(</head>)", string.Empty,
  27.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  28.  
  29.             // remove all scripts (prepare first by clearing attributes)
  30.             result = System.Text.RegularExpressions.Regex.Replace(result,
  31.                      @"<( )*script([^>])*>", "<script>",
  32.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  33.             result = System.Text.RegularExpressions.Regex.Replace(result,
  34.                      @"(<( )*(/)( )*script( )*>)", "</script>",
  35.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  36.             //result = System.Text.RegularExpressions.Regex.Replace(result,
  37.             //         @"(<script>)([^(<script>\.</script>)])*(</script>)",
  38.             //         string.Empty,
  39.             //         System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  40.             result = System.Text.RegularExpressions.Regex.Replace(result,
  41.                      @"(<script>).*(</script>)", string.Empty,
  42.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  43.  
  44.             // remove all styles (prepare first by clearing attributes)
  45.             result = System.Text.RegularExpressions.Regex.Replace(result,
  46.                      @"<( )*style([^>])*>", "<style>",
  47.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  48.             result = System.Text.RegularExpressions.Regex.Replace(result,
  49.                      @"(<( )*(/)( )*style( )*>)", "</style>",
  50.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  51.             result = System.Text.RegularExpressions.Regex.Replace(result,
  52.                      "(<style>).*(</style>)", string.Empty,
  53.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  54.  
  55.             // insert tabs in spaces of <td> tags
  56.             result = System.Text.RegularExpressions.Regex.Replace(result,
  57.                      @"<( )*td([^>])*>", "\t",
  58.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  59.  
  60.             // insert line breaks in places of <BR> and <LI> tags
  61.             result = System.Text.RegularExpressions.Regex.Replace(result,
  62.                      @"<( )*br( )*>", "\r",
  63.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  64.             result = System.Text.RegularExpressions.Regex.Replace(result,
  65.                      @"<( )*li( )*>", "\r",
  66.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  67.  
  68.             // insert line paragraphs (double line breaks) in place
  69.             // if <P>, <DIV> and <TR> tags
  70.             result = System.Text.RegularExpressions.Regex.Replace(result,
  71.                      @"<( )*div([^>])*>", "\r\r",
  72.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  73.             result = System.Text.RegularExpressions.Regex.Replace(result,
  74.                      @"<( )*tr([^>])*>", "\r\r",
  75.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  76.             result = System.Text.RegularExpressions.Regex.Replace(result,
  77.                      @"<( )*p([^>])*>", "\r\r",
  78.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  79.  
  80.             // Remove remaining tags like <a>, links, images,
  81.             // comments etc - anything thats enclosed inside < >
  82.             result = System.Text.RegularExpressions.Regex.Replace(result,
  83.                      @"<[^>]*>", string.Empty,
  84.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  85.  
  86.             // replace special characters:
  87.             result = System.Text.RegularExpressions.Regex.Replace(result,
  88.                      @"&nbsp;", " ",
  89.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  90.  
  91.             result = System.Text.RegularExpressions.Regex.Replace(result,
  92.                      @"&bull;", " * ",
  93.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  94.             result = System.Text.RegularExpressions.Regex.Replace(result,
  95.                      @"&lsaquo;", "<",
  96.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  97.             result = System.Text.RegularExpressions.Regex.Replace(result,
  98.                      @"&rsaquo;", ">",
  99.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  100.             result = System.Text.RegularExpressions.Regex.Replace(result,
  101.                      @"&trade;", "(tm)",
  102.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  103.             result = System.Text.RegularExpressions.Regex.Replace(result,
  104.                      @"&frasl;", "/",
  105.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  106.             result = System.Text.RegularExpressions.Regex.Replace(result,
  107.                      @"<", "<",
  108.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  109.             result = System.Text.RegularExpressions.Regex.Replace(result,
  110.                      @">", ">",
  111.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  112.             result = System.Text.RegularExpressions.Regex.Replace(result,
  113.                      @"&copy;", "(c)",
  114.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  115.             result = System.Text.RegularExpressions.Regex.Replace(result,
  116.                      @"&reg;", "(r)",
  117.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  118.             // Remove all others. More can be added, see
  119.             // http://hotwired.lycos.com/webmonkey/reference/special_characters/
  120.             result = System.Text.RegularExpressions.Regex.Replace(result,
  121.                      @"&(.{2,6});", string.Empty,
  122.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  123.  
  124.  
  125.             // make line breaking consistent
  126.             result = result.Replace("\n", "\r");
  127.  
  128.             // Remove extra line breaks and tabs:
  129.             // replace over 2 breaks with 2 and over 4 tabs with 4.
  130.             // Prepare first to remove any whitespaces inbetween
  131.             // the escaped characters and remove redundant tabs inbetween linebreaks
  132.             result = System.Text.RegularExpressions.Regex.Replace(result,
  133.                      "(\r)( )+(\r)", "\r\r",
  134.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  135.             result = System.Text.RegularExpressions.Regex.Replace(result,
  136.                      "(\t)( )+(\t)", "\t\t",
  137.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  138.             result = System.Text.RegularExpressions.Regex.Replace(result,
  139.                      "(\t)( )+(\r)", "\t\r",
  140.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  141.             result = System.Text.RegularExpressions.Regex.Replace(result,
  142.                      "(\r)( )+(\t)", "\r\t",
  143.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  144.             // Remove redundant tabs
  145.             result = System.Text.RegularExpressions.Regex.Replace(result,
  146.                      "(\r)(\t)+(\r)", "\r\r",
  147.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  148.             // Remove multible tabs followind a linebreak with just one tab
  149.             result = System.Text.RegularExpressions.Regex.Replace(result,
  150.                      "(\r)(\t)+", "\r\t",
  151.                      System.Text.RegularExpressions.RegexOptions.IgnoreCase);
  152.             // Initial replacement target string for linebreaks
  153.             string breaks = "\r\r\r";
  154.             // Initial replacement target string for tabs
  155.             string tabs = "\t\t\t\t\t";
  156.             for (int index = 0; index < result.Length; index++) {
  157.                 result = result.Replace(breaks, "\r\r");
  158.                 result = result.Replace(tabs, "\t\t\t\t");
  159.                 breaks = breaks + "\r";
  160.                 tabs = tabs + "\t";
  161.             }
  162.  
  163.             // Thats it.
  164.             return result;
  165.  
  166.     }
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement
Public Pastes
Advertisement
We use cookies for various purposes including analytics. By continuing to use Pastebin, you agree to our use of cookies as described in the Cookies Policy.  OK, I Understand
Not a member of Pastebin yet?
Sign Up, it unlocks many cool features!