¿Iterar con todos los elementos y obtener texto?

.net-4.0 c# html-agility-pack

Pregunta

Estoy utilizando el código de seguimiento para obtener todo el texto de una página en una 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);
}
  • Pero algunos html todavía están ingresando en la cadena como </form> hay una mejor manera de restringir este código, así que solo obtengo el texto de cada etiqueta y nada más o tendré que analizar los resultados para eliminar <*> etiquetas?

Respuesta aceptada

Esto se puede hacer fácilmente usando solo las funciones incluidas en el HAP.

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();

El resultado es una lista de palabras con una longitud de más de 2 y todo lo que ya se ha escapado, por lo que no es necesario WebUtility .



Licencia bajo: CC-BY-SA with attribution
No afiliado con Stack Overflow
¿Es esto KB legal? Sí, aprende por qué
Licencia bajo: CC-BY-SA with attribution
No afiliado con Stack Overflow
¿Es esto KB legal? Sí, aprende por qué