使用 .NET (XSL 2.0) 中的 Saxon 库将 HTML 转换为文本

Question

我正在尝试将 HTML 标记转换为文本

我正在使用 Saxon 库，因为 .NET 4.5 本身不支持 XSL 2.0。 http://saxon.sourceforge.net/#F9.7HE

当我运行我的 xsl 脚本在 http://xslttest.appspot.com/ 上时，我没有收到任何错误并且输出是正确的。

HTML代码:

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml" xmlns:epub="http://www.idpf.org/2007/ops">
    <head> 
        <title>Test Title</title>
    </head>
    <body>
    <h1>Test Header</h1>
    <p>Blah Blah Blah</p>
        <p class="center"><img src="ignore.jpeg" alt="ignore"/></p>
    <div class="Test"><p>More Text</p></div>
    </body>
</html>

XSLT:

<xsl:stylesheet version="2.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform" xmlns:xhtml="http://www.w3.org/1999/xhtml">
    <xsl:output method="text" media-type="text"/>

    <xsl:template match="/xhtml:html">
        <xsl:call-template name="print-it">
            <xsl:with-param name="nodeToPrint" select="xhtml:body"/>
        </xsl:call-template>
    </xsl:template>

    <xsl:template name="print-it">
        <xsl:param name="nodeToPrint"/>
        <xsl:for-each select="child::*">
            <xsl:choose>
                <xsl:when test="matches(lower-case(local-name(.)), 'h[123456]|p|div|title')">
                    <xsl:value-of select="concat(normalize-space(replace(string-join(text(), ''), '''', '')), ' ')"/>
                </xsl:when>
                <xsl:otherwise>
                    <xsl:value-of select="normalize-space(replace(string-join(text(), ''), '''', ''))"/>
                </xsl:otherwise>
            </xsl:choose>
            <xsl:call-template name="print-it">
                <xsl:with-param name="nodeToPrint" select="."/>
            </xsl:call-template>
        </xsl:for-each>
    </xsl:template>

</xsl:stylesheet>

输出:

    Test Title


Test Header
Blah Blah Blah

More Text

但是，当我尝试在 .NET 中进行转换时，出现异常。我不确定问题是出在 XSL 脚本上，在线转换器是宽容的，还是撒克逊图书馆出了问题。

异常消息：

Exception thrown: 'System.InvalidOperationException' in saxon9he.dll

Additional information: The specified node cannot be inserted as the valid child of this node, because the specified node is the wrong type.

.NET代码:

using Saxon.Api;

var xslt = new FileInfo(@"C:\path\to\stylesheet.xslt");
var input = new FileInfo(@"C:\path\to\data.xml");
var output = new FileInfo(@"C:\path\to\result.xml");

// Compile stylesheet
var processor = new Processor();
var compiler = processor.NewXsltCompiler();
var executable = compiler.Compile(new Uri(xslt.FullName));

// Do transformation to a destination
var destination = new DomDestination();
using(var inputStream = input.OpenRead())
{
    var transformer = executable.Load();
    transformer.SetInputStream(inputStream, new Uri(input.DirectoryName));
    transformer.Run(destination);
}

// Save result to a file (or whatever else you wanna do)
destination.XmlDocument.Save(output.FullName);

更新：

谢谢 MartinHonnen。你的建议奏效了。

Serializer _serializer = new Serializer();
MemoryStream _ms = new MemoryStream();
String _outputStream = new StreamWriter(_ms, new UTF8Encoding(false));
 _serializer.SetOutputWriter(_outputStream);

using (inputStream == input.OpenRead()) {
    XsltTransformer transformer = executable.Load();
    transformer.MessageListener = new SaxtonMessageListener();
    transformer.SetInputStream(inputStream, new Uri(input.DirectoryName));
    transformer.Run(_serializer);
}

String _text = Encoding.UTF8.GetString(_ms.ToArray());

Answer 1

如果你只是想要一个字符串或者一个文本文件，那么你可以使用http://saxonica.com/html/documentation/dotnetdoc/Saxon/Api/Serializer.html and either set http://saxonica.com/html/documentation/dotnetdoc/Saxon/Api/Serializer.html#SetOutputFile(string) if you want a file or create a StringWriter and pass it to http://saxonica.com/html/documentation/dotnetdoc/Saxon/Api/Serializer.html#SetOutputWriter(System.IO.TextWriter)，那么在Run调用之后你只需要在创建的StringWriter上使用ToString() I想想。

使用 .NET (XSL 2.0) 中的 Saxon 库将 HTML 转换为文本

Transforming HTML to Text with the Saxon library in .NET (XSL 2.0)

html

c#

xml

xslt

saxon