HtmlAgilityPack Teilzeichenfolge aller nach Länge

c# html-agility-pack

Frage

Ich habe html mit verschachtelten Elementen (meist nur div und p Elemente) Ich muss das gleiche html zurückgeben, aber substring von einer gegebenen Anzahl von Buchstaben. Offensichtlich sollte die Buchstabenzählung nicht durch HTML-Tags aufgelistet werden, sondern nur Buchstaben von InnerText jedes HTML-Elements zählen. HTML-Ergebnis sollte die richtige Struktur beibehalten - alle schließenden Tags, um gültiges HTML zu erhalten.

Beispieleingabe:

<div>
    <p>some text</p>
    <p>some more text some more text some more text some more text some more text</p>
    <div>
        <p>some more text some more text some more text some more text some more text</p>
        <p>some more text some more text some more text some more text some more text</p>
    </div>
</div>

Bei int length = 16 die Ausgabe wie folgt aussehen:

<div>
    <p>some text</p> // 9 characters in the InnerText here
    <p>some mo</p> // 7 characters in the InnerText here; 9 + 7 = 16;
</div>

Beachten Sie, dass die Anzahl der Buchstaben (einschließlich Leerzeichen) 16 beträgt. Das nachfolgende <div> wird eliminiert, da die Buchstabenanzahl eine variable length . Beachten Sie, dass Ausgabe-HTML immer noch gültig ist.

Ich habe folgendes versucht, aber das funktioniert nicht wirklich. Die Ausgabe ist nicht wie erwartet: Einige HTML-Elemente werden wiederholt.

public static string SubstringHtml(this string html, int length)
{
    HtmlDocument doc = new HtmlDocument();
    doc.LoadHtml(html);
    int totalLength = 0;
    StringBuilder output = new StringBuilder();
    foreach (var node in doc.DocumentNode.Descendants())
    {
        totalLength += node.InnerText.Length;
        if(totalLength >= length)
        {
            int difference = totalLength - length;
            string lastPiece = node.InnerText.ToString().Substring(0, difference);
            output.Append(lastPiece);
            break;
        }
        else
        {
            output.Append(node.InnerHtml);
        }
    }
    return output.ToString();
}

AKTUALISIEREN

@SergeBelov stellte eine Lösung zur Verfügung, die für die erste Beispieleingabe funktioniert, jedoch ergaben weitere Tests ein Problem mit einer Eingabe wie der folgenden.

Beispieleingabe # 2:

some more text some more text 
<div>
    <p>some text</p>
    <p>some more text some more text some more text some more text some more text</
</div>

Gegeben diese Variable int maxLength = 7; eine Ausgabe sollte gleich wie mo sein . Aufgrund dieses Codes, bei dem ParentNode = null funktioniert das nicht so:

lastNode
    .Node
    .ParentNode
    .ReplaceChild(HtmlNode.CreateNode(lastNodeText.InnerText.Substring(0, lastNode.NodeLength - lastNode.TotalLength + maxLength)), lastNode.Node);

Das Erstellen eines neuen HtmlNode scheint nicht hilfreich zu sein, da seine InnterText-Eigenschaft schreibgeschützt ist.

Akzeptierte Antwort

Das folgende kleine Konsolenprogramm veranschaulicht einen möglichen Ansatz:

  1. Wählen Sie relevante Textknoten aus und berechnen Sie die laufende Gesamtlänge für sie;
  2. Nimm so viele Knoten wie nötig, um zur laufenden Summe über die maximale Länge hinaus zu kommen;
  3. Entferne alle Elementknoten aus dem Dokument mit Ausnahme derjenigen, die Vorfahren der Knoten sind, die wir in den Schritten ## 1, 2;
  4. Schneiden Sie den Text im letzten Knoten der Liste aus, um ihn an die maximale Länge anzupassen.

UPDATE: Dies sollte immer noch mit einem Textknoten funktionieren, der der erste ist; Wahrscheinlich ist ein Trim() erforderlich, um das Leerzeichen wie unten zu entfernen.

    static void Main(string[] args)
    {
        int maxLength = 9;
        string input = @"
            some more text some more text 
            <div>
                <p>some text</p>
                <p>some more text some more text some more text some more text some more text</
            </div>";

        var doc = new HtmlDocument();
        doc.LoadHtml(input);

        // Get text nodes with the appropriate running total
        var acc = 0;
        var nodes = doc.DocumentNode
            .Descendants()
            .Where(n => n.NodeType == HtmlNodeType.Text && n.InnerText.Trim().Length > 0)
            .Select(n => 
            {
                var length = n.InnerText.Trim().Length;
                acc += length;
                return new { Node = n, TotalLength = acc, NodeLength = length }; 
            })
            .TakeWhile(n => (n.TotalLength - n.NodeLength) < maxLength)
            .ToList();

        // Select element nodes we intend to keep
        var nodesToKeep = nodes
            .SelectMany(n => n.Node.AncestorsAndSelf()
                .Where(m => m.NodeType == HtmlNodeType.Element));

        // Select and remove element nodes we don't need
        var nodesToDrop = doc.DocumentNode
            .Descendants()
            .Where(m => m.NodeType == HtmlNodeType.Element)
            .Except(nodesToKeep)
            .ToList();

        foreach (var r in nodesToDrop)
            r.Remove();

        // Shorten the last node as required
        var lastNode = nodes.Last();
        var lastNodeText = lastNode.Node;
        var text = lastNodeText.InnerText.Trim().Substring(0,
                lastNode.NodeLength - lastNode.TotalLength + maxLength);
        lastNodeText
            .ParentNode
            .ReplaceChild(HtmlNode.CreateNode(text), lastNodeText);

        doc.Save(Console.Out);
    }



Lizenziert unter: CC-BY-SA with attribution
Nicht verbunden mit Stack Overflow
Ist diese KB legal? Ja, lerne warum
Lizenziert unter: CC-BY-SA with attribution
Nicht verbunden mit Stack Overflow
Ist diese KB legal? Ja, lerne warum