WejścieGrab cały tekst z HTML Html Agility Pakiet
<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>
Wyjście
foo
bar
baz
Znam htmldoc.DocumentNode.InnerText, ale da foobarbaz - Chcę dostać każdy tekst, nie wszystko w czas.
var root = doc.DocumentNode;
var sb = new StringBuilder();
foreach (var node in root.DescendantNodesAndSelf())
{
if (!node.HasChildNodes)
{
string text = node.InnerText;
if (!string.IsNullOrEmpty(text))
sb.AppendLine(text.Trim());
}
}
Robi to, czego potrzebujesz, ale nie jestem pewien, czy to najlepszy sposób. Być może powinieneś iterować przez coś innego niż DescendantNodesAndSelf dla optymalnej wydajności.
XPATH jest twoim przyjacielem :)
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(@"<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>");
foreach(HtmlNode node in doc.DocumentNode.SelectNodes("//text()"))
{
Console.WriteLine("text=" + node.InnerText);
}
byłem w potrzebie rozwiązania, które wydobywa cały tekst, ale odrzuca treść skryptu i styl tagów. Nie mogłem go nigdzie znaleźć, ale ja przyszedłem z następujących składników, które pasuje do własnych potrzeb:
StringBuilder sb = new StringBuilder();
IEnumerable<HtmlNode> nodes = doc.DocumentNode.Descendants().Where(n =>
n.NodeType == HtmlNodeType.Text &&
n.ParentNode.Name != "script" &&
n.ParentNode.Name != "style");
foreach (HtmlNode node in nodes) {
Console.WriteLine(node.InnerText);
var pageContent = "{html content goes here}";
var pageDoc = new HtmlDocument();
pageDoc.LoadHtml(pageContent);
var pageText = pageDoc.DocumentNode.InnerText;
Podany przykład dla treści html:
<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>
będzie następujący wynik:
foo bar baz
public string html2text(string html) {
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(@"<html><body>" + html + "</body></html>");
return doc.DocumentNode.SelectSingleNode("//body").InnerText;
}
Ta praca około jest oparte na Html Agility Pack. Możesz również zainstalować go przez NuGet (nazwa pakietu: HtmlAgilityPack).
To działało znakomicie dla mnie. Wszystko, co na niego rzuciłem, nawet brzydkie fragmenty html generowane przez stary CMS. – Chris