HtmlAgilityPack extrae texto de todos los divs en una página y no solo del div especificado en el código

c# html-agility-pack

Pregunta

Estoy teniendo un comportamiento extraño con una expresión xpath con HtmlAgilityPack. Estoy tratando de usar el HtmlAgilityPack para extraer todos los valores dentro de un div declarado como <div class='cont'> Sin embargo, cuando uso el código siguiente simplemente obtengo todos los valores dentro de <div class='cont'> AND <div class='button'> . ¿Alguien sabe por qué ocurre esto? Aquí está el código completo para reproducirlo:

using System;
using System.Xml.XPath;
using HtmlAgilityPack;

namespace ConsoleApplication1
{
    class Program
    {
        static void Main(string[] args)
        {
            const string text1 = @"<div class=""cont"">
<h3>content</h3> 
<div style=""margin: 0cm 0cm 0pt"" class=""Normal"">content1</div><div style=""margin: 0cm 0cm 0pt"" class=""Normal""> content2</div>
<div style=""margin: 0cm 0cm 0pt"" class=""Normal"">content3 </div>
<div>content4 </div><strong>content5
<div>content6 </div><ul type=""disc"">    
<div>content7 </div>        
<div>content8 </div>    </ul>
<p class='margin10'><font size=""2"">
<div>
<p><span style=""font-family: Arial"">content9</span></p>
</div>
<div>content10</font><a href=""mailto:james@polis.com""><u><font color=""#0000ff"" size=""2""><font color=""#0000ff"" size=""2""> content11 </u></font></font></a><font size=""2""> content12
<div>content13</div>
</div>
</font>
</p>
</div>
<div class=""button"">
<span class=""applybtn""><a class=""buttonGlobal buttonAlpha"" href=""/uk/job/apply/(id)/608735"">content14</a></span>
</div>";
            foreach (XPathNavigator node in SearchInPage(text1, "//div[@class='cont']"))
            {
                Console.WriteLine("option " + node.Value);
            }

        }

        private static XPathNodeIterator SearchInPage(string text, string xpath)
        {
            HtmlDocument htmlDocument = new HtmlDocument();
            htmlDocument.LoadHtml(text);
            XPathNavigator xpathNavigator = htmlDocument.CreateNavigator();
            XPathNodeIterator nodes = xpathNavigator.Select(xpath);
            return nodes;
        }
    }
}

El código devuelve: 'contenido', 'contenido1-13' MÁS 'contenido14' que existe dentro de <div class='button'>

Respuesta popular

Entonces, si estoy entendiendo correctamente, ¿desea encontrar el valor solo para los nodos secundarios del nodo <div class="cont"> ?

Prueba esto:

HtmlDocument doc = new HtmlDocument;
doc.Load(Html);
HtmlNode node = doc.DocumentNode.SelectSingleNode(".//div[@class='cont']");

foreach(HtmlNode childNode in node)
{
    Console.WriteLine(childNode.Value);
}

No tengo una manera de depurar esto delante de mí, pero esto debería funcionar. the (".//div[@class='cont']") debe seleccionar solo el nodo especificado y sus hijos, e ignorar cualquier cosa que viva fuera del nodo especificado. El resto es solo Linq y HtmlAgilityPack. Recuerda, HtmlAgilityPack implementa XPath, así que asegúrate de revisar los métodos disponibles de AgilityPack antes de usar XPath ... recuerda que xml y html son idiomas diferentes, y lo que funciona para uno no necesariamente funcionará para el otro.



Related

Licencia bajo: CC-BY-SA with attribution
No afiliado con Stack Overflow
Licencia bajo: CC-BY-SA with attribution
No afiliado con Stack Overflow