Захватите весь текст из HTML с помощью Html Agility Pack - PullRequest
Новая
       18

Захватите весь текст из HTML с помощью Html Agility Pack

23 голосов
/ 15 ноября 2010

Введите 

<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>

выход 

foo
bar
baz

Я знаю о htmldoc.DocumentNode.InnerText, но это даст foobarbaz - я хочу получить каждый текст, а не все одновременно.

Ответы [ 5 ]

54 голосов
/ 21 ноября 2010

XPATH твой друг:) 

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);
}
9 голосов
/ 12 декабря 2014 
var pageContent = "{html content goes here}";
var pageDoc = new HtmlDocument();
pageDoc.LoadHtml(pageContent);
var pageText = pageDoc.DocumentNode.InnerText;

Указанный пример для содержимого html: 

<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>

даст следующий вывод: 

foo bar baz
9 голосов
/ 15 ноября 2010 
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());
    }
}

Это делает то, что вам нужно, но я не уверен, что это лучший способ.Возможно, вам следует перебрать что-то другое, кроме DescendantNodesAndSelf для оптимальной производительности.

8 голосов
/ 24 сентября 2014

Мне нужно было решение, которое извлекает весь текст, но отбрасывает содержимое тегов script и style. Я нигде не мог его найти, но я придумал следующее, соответствующее моим потребностям: 

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);
3 голосов
/ 11 ноября 2015 
public string html2text(string html) {
    HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
    doc.LoadHtml(@"<html><body>" + html + "</body></html>");
    return doc.DocumentNode.SelectSingleNode("//body").InnerText;
}

Этот обходной путь основан на Html Agility Pack . Вы также можете установить его через NuGet (имя пакета: HtmlAgilityPack).

...