+- Comunidad Gambas-es (https://gambas-es.org)
+-- Foro: Gambas (https://gambas-es.org/forum-3.html)
+--- Foro: General (https://gambas-es.org/forum-4.html)
+--- Tema: [SOLUCIONADO] ¿Cómo obtener el texto plano de un «RichText» (HTML)? (/thread-1408.html)
¿Cómo obtener el texto plano de un «RichText» (HTML)? - Grandamakulo - 23-06-2023
Pues eso, compañeros, ¿cómo obtener el texto plano de un RichText —HTML—, similar a WebPage.ToString, pero sin cargar este componente? Quiero decir, que si hay alguna función de cadena que mi natural torpeza me haya impedido ver.
De momento, me apaño así —las ReGex las he ido encontrando por ahí y adaptándolas al algo corto PCRE de gambas3—:
Código:
Public Function HTMLaTexto(sTexto As String) As String
' **** Obtener texto plano de un RichText (HTML).
' <<<< sPaso : Devuelve una cadena con texto plano.
' >>>> sTexto: Texto formato HTML.
'' ╔═════════════════════════════════════════════════════════════╗
'' ║ Atención: PCRE sólo admite texto ASCII extendido, no UTF-8. ║
'' ║ Los valores obtenidos pueden no ser correctos. ║
'' ╚═════════════════════════════════════════════════════════════╝
Dim sPaso As String
' Eliminar CSS y JS
sPaso = RegExp.Replace(sTexto, "<(script|style)[^>]*>(.*?)<.(script|style)>", "", RegExp.Caseless + RegExp.DotAll)
' Eliminar comentarios
sPaso = RegExp.Replace(sPaso, "<!--.*?-->", "", RegExp.DotAll)
' Eliminar etiquetas
sPaso = RegExp.Replace(sPaso, "<(.|\n)*?>", "", RegExp.Greedy)
' Eliminar caracteres de edición antes y después
sPaso = Trim(sPaso)
Return sPaso
EndGracias de antemano.
RE: ¿Cómo obtener el texto plano de un «RichText» (HTML)? - vuott - 23-06-2023
No sé si este código es
coherente con lo que pides:Código:
Public Sub Main()
Print HTMLaTexto("a<FONT Color=red><B>Abcd-/ef=123</b></font>")
End
Private Function HTMLaTexto(sTexto As String) As String
Dim s As String
For i As Integer = 1 To Len(sTexto)
If Mid(sTexto, i, 1) = "<" Then
i = InStr(sTexto, ">", i)
Continue
Endif
s &= Mid(sTexto, i, 1)
Next
Return s
EndRE: ¿Cómo obtener el texto plano de un «RichText» (HTML)? - Shell - 23-06-2023
Bueno, soy un poco burro a veces.
Existe esta función que no sé si hace lo que te interesa.
Código:
String.FromHTMLSe encuentra en el componente gb.util y hace esta función:
Cita:Return the text contents of an HTML string, by removing all markups and entities.
Te adjunto el enlace:
String.FromHTML (gb.util)
A ver si eso ayuda.
Saludos
RE: ¿Cómo obtener el texto plano de un «RichText» (HTML)? - Grandamakulo - 23-06-2023
@Voutt, no, eso sólo quita las etiquetas y, creo, los comentarios, pero JS o CSS lo dejaría como texto.
@Shell, ¡eso es!, no era capaz de encontrarlo.
¡¡Muchísimas gracias a ambos!!
RE: ¿Cómo obtener el texto plano de un «RichText» (HTML)? - vuott - 23-06-2023
Si quieres usar la función ''.FromHTML()", sugerida por 'Shell', sin tener que activar el Componente 'gb.util', puedes copiarla de las fuentes del Componente, escritas en Gambas:
https://gitlab.com/gambas/gambas/-/blob/master/comp/src/gb.util/.src/String.class