obtener el texto de una pagina web?

Esta gente tiene un componente q hace lo q quieres...


http://www.clevercomponents.com/pro...itenet.asp

O si quieres hacert el parse

hazle con la clase

System.Net.WebResponse

Salu2

Oscar

"Ignacio X. Domínguez" wrote in message
news:#

Saludos. Cual es la manera mas sencilla de obtener todo el texto de una
pagina web? de hecho tengo el codigo HTML de la pagina pero lo que quiero

es

el texto sin todas las etiquetas, comentarios, scripts, vinculos (estos

los

quiero como texto), etc. Hay alguna clase el C# que me permite eliminarlo

de

manera similar que la funcion strip_tags() de PHP?

Gracias

Ignacio

Oye no se si te refieres a todo el texto de una web o bien
solamente a texto de una etiqueta en particular, pero
bueno, lo mejor es usar expresiones regulares para quitar
las etiquetas html y scripts y quedarte con el resto. El
contenido de la web lo puedes capturar usando como se dijo
en el mensaje anterio HttpWebRequest

Esta gente tiene un componente q hace lo q quieres...


http://www.clevercomponents.com/pro...tenet/suit

enet.asp

O si quieres hacert el parse

hazle con la clase

System.Net.WebResponse

Salu2

Oscar

"Ignacio X. Domínguez" wrote in

message

news:#

Saludos. Cual es la manera mas sencilla de obtener todo

el texto de una

pagina web? de hecho tengo el codigo HTML de la pagina

pero lo que quiero

es

el texto sin todas las etiquetas, comentarios, scripts,

vinculos (estos

los

quiero como texto), etc. Hay alguna clase el C# que me

permite eliminarlo

de

manera similar que la funcion strip_tags() de PHP?

Gracias

Ignacio

.

efectivamente, utilizo la clase HttpWebRequest para obtener el codigo HTML y
lo que busco es el texto completo de la página. Apenas llevo un par de dias
conociendo las expresiones regulares y he logrado a través de ellas obtener
una lista de todos los vinculos de una página. Sin embargo, no se me ocurre
como obtener el texto utilizando expresiones regulares pues las etiquetas
pueden estar anidadas, hay tablas, etc..

Agradeceria cualquier ayuda que me puedan brindar al respecto.



"Unai Zorrilla Castro" wrote in
message news:14c201c51b57$269aa1a0$

Oye no se si te refieres a todo el texto de una web o bien
solamente a texto de una etiqueta en particular, pero
bueno, lo mejor es usar expresiones regulares para quitar
las etiquetas html y scripts y quedarte con el resto. El
contenido de la web lo puedes capturar usando como se dijo
en el mensaje anterio HttpWebRequest

Esta gente tiene un componente q hace lo q quieres...


http://www.clevercomponents.com/pro...tenet/suit

enet.asp

O si quieres hacert el parse

hazle con la clase

System.Net.WebResponse

Salu2

Oscar

"Ignacio X. Domínguez" wrote in

message

news:#

Saludos. Cual es la manera mas sencilla de obtener todo

el texto de una

pagina web? de hecho tengo el codigo HTML de la pagina

pero lo que quiero

es

el texto sin todas las etiquetas, comentarios, scripts,

vinculos (estos

los

quiero como texto), etc. Hay alguna clase el C# que me

permite eliminarlo

de

manera similar que la funcion strip_tags() de PHP?

Gracias

Ignacio

.

Saludos, queria compartir con ustedes la solucion a la que he llegado:

string resultado = null;
//Quitar etiquetas HTML
resultado = Regex.Replace(HTML, "<(.|\)*?>", " ",
RegexOptions.IgnoreCase);
//Quitar espacios extra y convertirlo en uno solo
resultado = Regex.Replace(resultado, "(?:\\s{2,})", " ",
RegexOptions.IgnoreCase);

me funciona bien para los pocos casos que he probado hasta ahora.. si
alguien consigue una mejor solucion, estaria muy interesado en conocerla.

Suerte

"Ignacio X. Domínguez" wrote in message
news:%

efectivamente, utilizo la clase HttpWebRequest para obtener el codigo HTML
y lo que busco es el texto completo de la página. Apenas llevo un par de
dias conociendo las expresiones regulares y he logrado a través de ellas
obtener una lista de todos los vinculos de una página. Sin embargo, no se
me ocurre como obtener el texto utilizando expresiones regulares pues las
etiquetas pueden estar anidadas, hay tablas, etc..

Agradeceria cualquier ayuda que me puedan brindar al respecto.



"Unai Zorrilla Castro" wrote in
message news:14c201c51b57$269aa1a0$

Oye no se si te refieres a todo el texto de una web o bien
solamente a texto de una etiqueta en particular, pero
bueno, lo mejor es usar expresiones regulares para quitar
las etiquetas html y scripts y quedarte con el resto. El
contenido de la web lo puedes capturar usando como se dijo
en el mensaje anterio HttpWebRequest

Esta gente tiene un componente q hace lo q quieres...


http://www.clevercomponents.com/pro...tenet/suit

enet.asp

O si quieres hacert el parse

hazle con la clase

System.Net.WebResponse

Salu2

Oscar

"Ignacio X. Domínguez" wrote in

message

news:#

Saludos. Cual es la manera mas sencilla de obtener todo

el texto de una

pagina web? de hecho tengo el codigo HTML de la pagina

pero lo que quiero

es

el texto sin todas las etiquetas, comentarios, scripts,

vinculos (estos

los

quiero como texto), etc. Hay alguna clase el C# que me

permite eliminarlo

de

manera similar que la funcion strip_tags() de PHP?

Gracias

Ignacio

.