HTML vers TEXTE sans balises

Bonjour,
Je cherche à convertir le source d'une page HTML récupérée sur le WEB en un texte débarassé des balises et autres commandes. En faire un document le plus lisible possible. Y-a-t-il une fonction VB qui le réalise, un script déja prêt à l'emploi ou bien dois-je me prendre par la main, le developper et une fois au point le mettre à disposition de tous ?
Merci

je n'en connais pas en VB, mais en PHP, il y a la fonction htmlentities()

essaye d'utiliser ca HtmlTextWriter et la fonction ToString

j'va essayer ça. Réponse asap. merci

utiliser HTMLTEXTWRITER, visiblement pas évident ! Je cherche de la doc à ce sujet.

J'utilise ce bous de code pour faire ce que tu cherche.
C'est pas parfait mais c'est un bon début:

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
'' Remove HTML Development formatting
            '' Replace line breaks with space
            '' because browsers inserts space
            result = source.Replace("\r", " ")
            '' Replace line breaks with space
            '' because browsers inserts space
            result = result.Replace("\n", " ")
            '' Remove step-formatting
            result = result.Replace("\t", String.Empty)
            '' Remove repeating speces becuase browsers ignore them
            result = System.Text.RegularExpressions.Regex.Replace(result, "( )+", " ")
            '' Remove the header (prepare first by clearing attributes)
            result = System.Text.RegularExpressions.Regex.Replace(result, "<( )*head([^>])*>", "<head>", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "(<( )*(/)( )*head( )*>)", "</head>", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "(<head>).*(</head>)", String.Empty, System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' remove all scripts (prepare first by clearing attributes)
            result = System.Text.RegularExpressions.Regex.Replace(result, "<( )*script([^>])*>", "<script>", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "(<( )*(/)( )*script( )*>)", "</script>", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "(<script>).*(</script>)", String.Empty, System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' remove all styles (prepare first by clearing attributes)
            result = System.Text.RegularExpressions.Regex.Replace(result, "<( )*style([^>])*>", "<style>", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "(<( )*(/)( )*style( )*>)", "</style>", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "(<style>).*(</style>)", String.Empty, System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' insert tabs in spaces of <td> tags
            result = System.Text.RegularExpressions.Regex.Replace(result, "<( )*td([^>])*>", "\t", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' insert line breaks in places of <BR> and <LI> tags
            result = System.Text.RegularExpressions.Regex.Replace(result, "<( )*br( )*>", "\r", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "<( )*li( )*>", "\r", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' insert line paragraphs (double line breaks) in place
            '' if <P>, <DIV> and <TR> tags
            result = System.Text.RegularExpressions.Regex.Replace(result, "<( )*div([^>])*>", "\r\r", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "<( )*tr([^>])*>", "\r\r", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "<( )*p([^>])*>", "\r\r", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' Remove remaining tags like <a>, links, images,
            '' comments etc - anything thats enclosed inside < >
            result = System.Text.RegularExpressions.Regex.Replace(result, "<[^>]*>", String.Empty, System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            ''replace special characters:
            result = System.Text.RegularExpressions.Regex.Replace(result, "&nbsp;", " ", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "&bull;", " * ", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "&lsaquo;", "<", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "&rsaquo;", ">", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "&trade;", "(tm)", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "&frasl;", "/", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "&lt;", "<", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "&gt;", ">", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "&copy;", "(c)", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "&reg;", "(r)", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' Remove all others. More can be added, see
            '' http://hotwired.lycos.com/webmonkey/reference/special_characters/
            result = System.Text.RegularExpressions.Regex.Replace(result, "&(.{2,6});", String.Empty, System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' for testng
            ''System.Text.RegularExpressions.Regex.Replace(result, this.txtRegex.Text,string.Empty, System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' make line breaking consistent
            result = result.Replace("\n", "\r")
            '' Remove extra line breaks and tabs:
            '' replace over 2 breaks with 2 and over 4 tabs with 4. 
            '' Prepare first to remove any whitespaces inbetween
            '' the escaped characters and remove redundant tabs inbetween linebreaks
            result = System.Text.RegularExpressions.Regex.Replace(result, "(\r)( )+(\r)", "\r\r", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "(\t)( )+(\t)", "\t\t", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "(\t)( )+(\r)", "\t\r", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            result = System.Text.RegularExpressions.Regex.Replace(result, "(\r)( )+(\t)", "\r\t", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' Remove redundant tabs
            result = System.Text.RegularExpressions.Regex.Replace(result, "(\r)(\t)+(\r)", "\r\r", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' Remove multible tabs followind a linebreak with just one tab
            result = System.Text.RegularExpressions.Regex.Replace(result, "(\r)(\t)+", "\r\t", System.Text.RegularExpressions.RegexOptions.IgnoreCase)
            '' Initial replacement target string for linebreaks
            Dim breaks As String = "\r\r\r"
            '' Initial replacement target string for tabs
            Dim tabs As String = "\t\t\t\t\t"
            Dim index As Integer
            For index = 0 To index < result.Length
                result = result.Replace(breaks, "\r\r")
                result = result.Replace(tabs, "\t\t\t\t")
                breaks = breaks + "\r"
                tabs = tabs + "\t"
            Next

merci le petit qui fume. j'essaye tout de suite.

Voila le résultat de la page d'accueil de Google. C'est déja pas mal.
Code:

1 2 3 4 5 6 Google \r\rPersonnaliser cette page | Connexion\r\r \r\r\tWeb Images Groupes Actualit?s plus \r\r\t \t\r\t Recherche avanc?e\r Pr?f?rences\r Outils linguistiques\r\r\tRechercher dans : Web Pages francophones Pages : France \r\rPublicit? - Solutions d'entreprise - ? propos de Google - Google.com in English\r\r(c)2007 Google
Donc solutionner la récupération des minuscules accentuées, éliminer des \r

Merci

Personnellement je doit faire 2 passe de ce code pour obtenir un meilleur résultat si tu arrive à faire mieux je suis preneur.

merci Tikismoke, je vais essayer les deux passes, et tacher moyen d'améliorer. A suivre