HtmlAgilityPack: Wie kombiniere ich HTML-Elemente zu einem Tag mit einer Klasse?
html-agility-pack vb.net
Frage
Problem : Ich muss einige HTML-Elemente mit HtmlAgilityPack untersuchen und die Tag-Namen kombinieren. Ist es möglich, jedes Tag vom Elternteil zum Kind zu extrahieren und es durch einen Bereich zu ersetzen, der eine Klasse mit dem Namen "strikeUEmstrong" hat? Der Name ändert sich auch basierend auf dem HTML-Element.
Die Reihenfolge des Namens der Klasse ist tatsächlich wichtig, das habe ich durch Versuch und Irrtum erkannt. So lange es in der Lage ist, alle Elemente zu bekommen und sie zu kombinieren. Es ist sehr wahrscheinlich, dass es mehrere Textknoten mit verschiedenen Formatierungsebenen haben wird.
Dies wirkt sich auf mehrere Absätze aus.
Zum Beispiel, wenn ich diesen HTML-Code habe:
<p>
<strike><u><em><strong>four styles</strong></em></u></strike></p>
Wie konvertiere ich es zu diesem:
<p>
<span class="strikeUEmStrong">four styles</span></p>
Es ist auch möglich, diese Art von Code zu verwenden:
<p>
<strike><u><em><strong>four styles</strong></em></u></strike> <strike><u><em>three styles</em></u></strike></p>
<p>
<em><strong>two styles</strong></em></p>
Die Ausgabe sollte so aussehen:
<p>
<span class="strikeUEmStrong">four styles</span> <span class="strikeUEm">three styles<span></p><p><span class="emStrong">two styles<span></p>
Prototyp:
'Retrive the class name of each format node
Function GetClassName(ByVal n As HtmlNode) As String
Dim ret As String = String.Empty
If (n.Name <> "#text") And (n.Name <> "p") Then
ret = n.Name + " "
End If
'Get the next node
For Each child As HtmlNode In n.ChildNodes
ret &= GetClassName(child)
Next
Return ret
End Function
'Create a list of class names
Function GetClassNameList(ByVal classNameList As String) As List(Of String)
Dim ret As New List(Of String)
Dim classArr() As String = classNameList.Split(" ")
For Each className As String In classArr
ret.Add(className)
Next
Return ret
End Function
'Sort a list of class names and return a merged class string
Function GetSortedClassNameString(ByVal classList As List(Of String)) As String
Dim sortedMergedClass As String = String.Empty
classList.Sort()
For Each className As String In classList
sortedMergedClass &= className
Next
Return sortedMergedClass
End Function
'Lets point to the body node
Dim bodyNode As HtmlNode = htmlDoc.DocumentNode.SelectSingleNode("//body")
'Lets create some generic nodes
Dim currPNode As HtmlNode
Dim formatNodes As HtmlNodeCollection
Dim text As String = String.Empty
Dim textSize As Integer = 0
'Make sure the editor has something in it
If editorText <> "" Then
'Send the text from the editor to the body node
If bodyNode IsNot Nothing Then
bodyNode.InnerHtml = editorText
End If
Dim pNode = bodyNode.SelectNodes("//p")
Dim span As HtmlNode = htmlDoc.CreateElement("span")
Dim tmpBody As HtmlNode = htmlDoc.CreateElement("body")
Dim textNode As HtmlNode = htmlDoc.CreateTextNode
Dim pCount As Integer = bodyNode.SelectNodes("//body/p").Count - 1
For childCountP As Integer = 0 To pCount
Dim paragraph = HtmlNode.CreateNode(htmlDoc.CreateElement("p").WriteTo)
'Which paragraph I am at.
currPNode = pNode.Item(childCountP)
'For this paragraph get me the collection of html nodes
formatNodes = currPNode.ChildNodes
'Count how many Format nodes we have in a paragraph
Dim formatCount As Integer = currPNode.ChildNodes.Count - 1
'Go through each node and examine the elements.
'Then look at the markup to create classes and then group them under one span
For child As Integer = 0 To formatCount
'Iterate through the formateNodes, strike, em, strong, etc.
Dim currFormatNode = HtmlNode.CreateNode(formatNodes(child).WriteTo)
'TODO: Handle nested images and links? How do we know what to rip out?
'First check for format nodes
'Note, we can't let it use everything because it will change nested elements as well. I.E. span within span.
If (currFormatNode.Name <> "#text") And (currFormatNode.Name = "strike") Or (currFormatNode.Name = "em") _
Or (currFormatNode.Name = "strong") Or (currFormatNode.Name = "u") Or (currFormatNode.Name = "sub") _
Or (currFormatNode.Name = "sup") Or (currFormatNode.Name = "b") Then
'strip all tags, just take the inner text
span.InnerHtml = currFormatNode.InnerText
'Create a text node with text from the lowest node
textNode = htmlDoc.CreateTextNode(span.InnerText)
'Recursively go through the format nodes
'Create a list from the string
'Then sort the list and return a string
'Appending the class to the span
span.SetAttributeValue("class", GetSortedClassNameString(GetClassNameList(GetClassName(currFormatNode).Trim())))
'Attach the span before the current format node
currFormatNode.ParentNode.InsertBefore(span, currFormatNode)
'Remove the formatted children leaving the above node
currFormatNode.ParentNode.ChildNodes.Remove(currFormatNode)
'We need to build a paragraph here
paragraph.InnerHtml &= span.OuterHtml
'Lets output something for debugging
childNodesTxt.InnerText &= span.OuterHtml
Else 'handle #text and other nodes seperately
'We need to build a paragraph here
paragraph.InnerHtml &= span.OuterHtml
textNode = htmlDoc.CreateTextNode(currFormatNode.InnerHtml)
'Lets output something for debugging
childNodesTxt.InnerText &= textNode.OuterHtml
End If
Next
'End of formats
'Start adding the new paragraph's to the body node
tmpBody.AppendChild(paragraph)
Next
'End of paragraphs
'Clean out body first and replace with new elements
htmlDoc.DocumentNode.SelectSingleNode("//body").Remove()
'Update our body
htmlDoc.DocumentNode.SelectSingleNode("//html").AppendChild(tmpBody)
End If
htmlDoc.Save(Server.MapPath("html\editor.html"))
End If
Ausgabe:
<span class="strikeuemstrong">four styles</span>
Endlich bekomme ich die richtige Ausgabe, nachdem ich das Bestellproblem behoben habe. Danke für die Hilfe.
Akzeptierte Antwort
Dies ist keine einfache Frage zu beantworten. Ich beschreibe, wie ich den Algorithmus schreiben würde, um dies zu tun, und einen Pseudo-Code mit einbeziehe.
- Ich würde mein Eltern-Tag bekommen. Ich nehme an, Sie möchten dies für alle "p" -Tags tun
- Ich würde über meine Child-Tags iterieren, den Tag-Namen nehmen und ihn in einen Klassennamen einfügen
- Ich würde Kinder rekursiv wiederholen, bis ich meinen angehängten Tag-Namen erhalte
Pseudo-Code. Bitte entschuldigen Sie alle Tippfehler, da ich diese sofort schreibe.
public string GetClassName(Node n)
{
var ret = n.TagName;
foreach(var child in n.ChildNodes)
{
ret += GetClassName(child);
}
return ret;
}
foreach(var p in paragraphs)
{
foreach(var child in p.ChildNodes)
{
var span = new Span();
span.InnerText = child.InnerText; // strip all tags, just take the inner text
span.ClassName = GetClassName(child);
child.ReplaceWith(span); // note: if you do this with a FOREACH and not a for loop, it'll blow up C# for modifying the collection while iterating. Use for loops. if you're going to do "active" replacement like in this pseudo code
}
}
Ich würde gerne meine Antwort ändern, sobald ich mehr Kontext habe. Bitte überprüfen Sie, was ich vorschlagen und kommentieren Sie es mit mehr Kontext, wenn Sie mich brauchen, um meinen Vorschlag zu verfeinern. Wenn nicht, hoffe ich, dass du das bekommst, was du brauchst :)