Parsen Sie HTML nach Bruchkanten mit HTML AgilityPack

Question

Parsen Sie HTML nach Bruchkanten mit HTML AgilityPack

c# html-agility-pack parsing

Frage

Ich versuche, eine bestimmte HTML-Zeichenfolge zu analysieren, so dass ich eine Reihe von Zeilen, die durch <br/> Bruchlinien getrennt sind, extrahieren kann. Das Eingabe-HTML sieht folgendermaßen aus:

<div class="PlainText">
  DATE: 2013-10-28 20:00:43 -0500 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  <br/> //Notice this has two break lines, i would like to stop after seeing two consecutive break lines.
</div>

Mit diesem Div in einem größeren HTML-Dokument konnte ich die HTML ChildNodes

List<HtmlNode> nodes = htmlDoc.DocumentNode
                                    .Descendants("div")
                                    .Where(x => x.Attributes.Contains("class") &&
                                            x.Attributes["class"].Value.Contains("PlainText")).ToList();

Ich bin mir nicht ganz sicher, wohin ich von hier aus gehen soll, ich möchte den ganzen Text lesen, bis ich zwei Bruchlinien sehe und aufhöre?

BEARBEITEN

Ich schaute auf dem childnodes nodes in Visual Studio Runtime - Inspektoren und bemerkte , dass es tatsächlich nicht zwei consectuive <br/> Linien , sondern eine einzige Bruchlinie und einen #text - Tag mit seinem innerHTML- Wesen \n ein neuen Zeile Zeichen.

Bildbeschreibung hier eingeben

Warz

Beliebte Antwort

Sie können XPath //div[@class='PlainText'] , um erforderliche div-Knoten zu erhalten. Sie können auch den nächsten Geschwisterknoten überprüfen, wenn Sie untergeordnete Knoten von div nehmen:

HtmlDocument doc = new HtmlDocument();
doc.Load("index.html");
Func<HtmlNode, bool> notTwoBrakes = 
    n => (n.Name != "br" || n.NextSibling != null && n.NextSibling.Name != "br");
var nodes = doc.DocumentNode.SelectNodes("//div[@class='PlainText']")
               .Select(div => div.ChildNodes.TakeWhile(notTwoBrakes));

Ich verwende Inline-Lambda nicht nur zur besseren Lesbarkeit. Bedingung funktioniert wie folgt:

Überprüfen Sie, ob der nächste Knoten null ist, ob er null ist, und nehmen Sie den aktuellen Knoten
Überprüfen Sie, ob nächsten Knoten ist br Knoten, wenn nicht - aktuelle Knoten nehmen
Überprüfen Sie, ob aktuelle Knoten br Knoten, wenn nicht - aktuelle Knoten nehmen
Ansonsten hören Sie auf, Kindknoten zu nehmen

Ergebnis:

Bildbeschreibung hier eingeben

Sergey Berezovskiy

Meer bekijken op Stack Overflow

devshorts · Accepted Answer · 10/31/2013 6:52:33 PM

So etwas sollte funktionieren

[Test]
public void Test()
{
    var x = ReadTillTwoBr(GetDivClass()).ToList();
}

public HtmlNode GetDivClass()
{
    var html = @"<html><div class=""PlainText"">
            DATE: 2013-10-28 20:00:43 -0500 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            <br   /> //Notice this has two break lines, i would like to stop after seeing two consecutive break lines.
            Item 3
        </div></html>";
    var doc = new HtmlDocument();
    doc.LoadHtml(html);

    return doc.DocumentNode
                .Descendants("div").First(x => x.Attributes.Contains("class") &&
                                                x.Attributes["class"].Value.Contains("PlainText"));

}

public IEnumerable<string> ReadTillTwoBr(HtmlNode node)
{
    var nonEmptyNodes =
        node.ChildNodes.Except(node.ChildNodes.Where(f => f.Name == "#text" && String.IsNullOrWhiteSpace(f.InnerHtml)))
            .ToList();

    foreach (var n in nonEmptyNodes)
    {
        if (IsBr(n) && IsBr(n.NextSibling))
        {
            yield break;
        }

        if (n.Name == "#text")
        {
            yield return n.InnerText.Trim();
        }
    }
}

public bool IsBr(HtmlNode n)
{
    return n != null && n.NodeType == HtmlNodeType.Element && n.Name == "br";
}

Was zurückkommt

Bildbeschreibung hier eingeben

Beachten Sie, dass der Kommentar nach den beiden Brs nicht zurückgegeben wurde

BEARBEITEN:

Ich habe leere #text Werte entfernt, da Sie, wenn Sie einen Zeilenumbruch zwischen den letzten beiden br Tags haben, ein # #text Tag mit Zeilenumbrüchen erhalten. Ich denke, hier liegt die Verwirrung in der Newline.

Parsen Sie HTML nach Bruchkanten mit HTML AgilityPack

Frage

Fastest Entity Framework Extensions

Akzeptierte Antwort

Beliebte Antwort

Performance

Expression Evaluator

Related