Eliminar todas las etiquetas html con Html Agility Pack
Tengo una cadena html como esta:
<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>
Deseo quitar todas las etiquetas html para que la cadena resultante se convierta en:
foo bar baz
De otra publicación aquí en SO, se me ocurrió esta función (que usa el paquete de agilidad HTML):
Public Shared Function stripTags(ByVal html As String) As String
Dim plain As String = String.Empty
Dim htmldoc As New HtmlAgilityPack.HtmlDocument
htmldoc.LoadHtml(html)
Dim invalidNodes As HtmlAgilityPack.HtmlNodeCollection = htmldoc.DocumentNode.SelectNodes("//html|//body|//p|//a")
If Not htmldoc Is Nothing Then
For Each node In invalidNodes
node.ParentNode.RemoveChild(node, True)
Next
End If
Return htmldoc.DocumentNode.WriteContentTo
End Function
Lamentablemente, esto no devuelve lo que esperaba, sino que da:
bazbarfoo
Por favor, ¿dónde me equivoco? ¿Es este el mejor enfoque?
Saludos y feliz codificación!
ACTUALIZACIÓN: por la respuesta a continuación, se me ocurrió esta función, podría ser útil para otros:
Public Shared Function stripTags(ByVal html As String) As String
Dim htmldoc As New HtmlAgilityPack.HtmlDocument
htmldoc.LoadHtml(html.Replace("</p>", "</p>" & New String(Environment.NewLine, 2)).Replace("<br/>", Environment.NewLine))
Return htmldoc.DocumentNode.InnerText
End Function