Frage
Ich verwende den folgenden Code, um den gesamten Text von einer Seite in eine List<string>
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(content);
foreach (var script in doc.DocumentNode.Descendants("script").ToArray())
script.Remove();
foreach (var style in doc.DocumentNode.Descendants("style").ToArray())
style.Remove();
foreach (HtmlAgilityPack.HtmlNode node in doc.DocumentNode.SelectNodes("//text()"))
{
string found = WebUtility.HtmlDecode(node.InnerText.Trim());
if (found.Length > 2) // removes some unwanted strings
query[item.Key].Add(found);
}
- Aber einige HTML geht immer noch in die Zeichenfolge wie
</form>gibt es eine bessere Möglichkeit, diesen Code einzugrenzen, so dass ich nur den Text jedes Tags und nichts anderes oder ich muss immer noch die Ergebnisse analysieren, um <*> zu entfernen Stichworte ?
Akzeptierte Antwort
Dies kann relativ einfach unter Verwendung nur von Funktionen ausgeführt werden, die in der HAP enthalten sind.
HtmlDocument doc = new HtmlWeb().Load("http://www.google.com");
List<string> words = doc.DocumentNode.DescendantNodes()
.Where(n => n.NodeType == HtmlNodeType.Text
&& !string.IsNullOrWhiteSpace(HtmlEntity.DeEntitize(n.InnerText))
&& n.ParentNode.Name != "style" && n.ParentNode.Name != "script")
.Select(n => HtmlEntity.DeEntitize(n.InnerText).Trim())
.Where(s => s.Length > 2).ToList();
Das Ergebnis ist eine Liste von Wörtern mit einer Länge von mehr als 2 und alles ist bereits WebUtility , also keine Notwendigkeit für WebUtility .
Lizenziert unter: CC-BY-SA with attribution
Nicht verbunden mit Stack Overflow