Why Extract Text from HTML?

I file HTML contengono markup, stili, script e altri metadati. Estrarre testo pulito è essenziale per:

  • Migrazione dei contenuti
  • Data scraping
  • Indicizzazione e ricerca full-text
  • Preparazione dei dati di training per modelli AI/ML
  • Flussi di lavoro per l’analisi dei documenti
  • Elaborazione di email basate su HTML

Il nostro SDK cloud .NET ti aiuta ad automatizzare l’intero processo utilizzando un’API semplice e potente.

API di Estrazione del Testo HTML

Il GroupDocs.Parser Cloud SDK per .NET consente l’estrazione di:

  • Visible text from HTML
  • Contenuto strutturato (intestazioni, paragrafi, elenchi)
  • UTF‑8 encoded content
  • Text from HTML email bodies
  • Clean text without scripts, styles, and markup

Oltre alle capacità dell’API menzionate sopra, offre anche altre funzionalità come:

  • Rimuove tutti i tag HTML
  • Extracts readable plain text
  • Supporta file HTML di grandi dimensioni
  • Provides text block segmentation
  • Funziona con il cloud storage

Installa tramite NuGet

dotnet add package GroupDocs.Parser-Cloud --version 25.7.0

Devi anche creare un account su GroupDocs Cloud dashboard in modo da poter ottenere Client ID e Client Secret (sono necessari per utilizzare l’API).

Convertire HTML in TXT utilizzando C#

Ecco un esempio completo che mostra come estrarre testo da un file HTML utilizzando l’SDK.

Passo 1 — Inizializza l’API:

var config = new Configuration("YOUR_CLIENT_ID", "YOUR_CLIENT_SECRET");
var parserApi = new ParserApi(config);
var fileApi = new FileApi(config);

Passo 2 — Imposta Input HTML:

var fileInfo = new FileInfo { FilePath = "input.html" };
var options = new TextOptions { FileInfo = fileInfo };
var request = new TextRequest(options);

Passo 3 — Estrai testo:

var response = parserApi.Text(request);
Console.WriteLine(response.Text);

Step 4 — Save Output:

File.WriteAllText("html-output.txt", response.Text);

ar configuration = new GroupDocs.Parser.Cloud.Sdk.Client.Configuration("XXXXX-XXXXXXX","XXXXXXXXXXX");
configuration.ApiBaseUrl = "https://api.groupdocs.cloud";
var parseApi = new ParseApi(configuration);
var fileApi = new FileApi(configuration);

// Load input HTML file from local drive
using (var fileStream = System.IO.File.OpenRead("sample.html"))
{
    // carica HTML nel cloud storage
    var uploadRequest = new Requests.UploadFileRequest("input.html", fileStream);
    fileApi.UploadFile(uploadRequest);
}

var options = new TextOptions
{
    FileInfo = new FileInfo { FilePath = "input.html" }
};

var request = new TextRequest(options);
// extract text from HTML
var response = parseApi.Text(request);

// print the extract content in console
Console.WriteLine("Extracted Text:\n");
Console.WriteLine(response.Text); 

// Facoltativamente, puoi prendere in considerazione di scrivere il contenuto in un file di testo.
File.WriteAllText("html-output.txt", response.Text);

Extract Text from HTML via cURL

In alternativa, se preferisci utilizzare operazioni da riga di comando per estrarre testo da un file HTML, puoi anche utilizzare GroupDocs.Parser Cloud con comandi cURL.

1. Genera Token di Accesso:

Il prerequisito in questo approccio è generare un token di accesso JWT utilizzando le credenziali del client. Si prega di eseguire il seguente comando per generare un token JWT.

curl -v -X POST "https://api.groupdocs.cloud/connect/token" \
-d "grant_type=client_credentials&client_id=YOUR_CLIENT_ID&client_secret=YOUR_CLIENT_SECRET" \
-H "Content-Type: application/x-www-form-urlencoded"

2. Estrai testo HTML:

curl -v -X POST "https://api.groupdocs.cloud/v1.0/parser/text" \
-H  "accept: application/json" \
-H  "authorization: Bearer {JWT_TOKEN}" \
-H  "Content-Type: application/json" \
-d "{  \"FileInfo\": {    \"FilePath\": \"sample.html\",    \"StorageName\": \"internal\"  }}"

Prova il nostro Estrattore di Testo HTML Online Gratuito

Sperimenta le capacità dell’API REST di .NET senza scrivere una singola riga di codice. Prova la nostra app online gratuita HTML Parser e estrai testo HTML online.

extract html text

Conclusione

In questo articolo, hai appreso come estrarre testo da HTML utilizzando il GroupDocs.Parser Cloud SDK per .NET. L’API consente:

  • Clean text extraction
  • Rimozione di markup HTML e script
  • Estrazione strutturata segmentata
  • Integrazione con applicazioni C#
  • Flussi di lavoro automatizzati per grandi set di dati HTML

È una soluzione ideale per analizzare e elaborare HTML in applicazioni di livello enterprise.

Articoli correlati

Domande Frequenti (FAQs)

  1. L’API rimuove automaticamente tutti i tag? Yes, only readable text is returned.

  2. Può analizzare pagine HTML molto grandi? Sì, il servizio è ottimizzato per grandi input.

  3. Posso estrarre il testo sezione per sezione? Sì, l’estrazione strutturata restituisce elementi a livello di blocco.

  4. Supporta le email HTML? Assolutamente — estrai il contenuto del corpo direttamente.

  5. Posso avere una prova gratuita? Sì, sono disponibili 150 chiamate API gratuite al mese.