Eliminar todos los nodos vacíos / innecesarios de HTML

c# html-agility-pack

Pregunta

¿Cuál sería la forma preferida de eliminar todos los nodos vacíos y innecesarios? Por ejemplo

<p></p> debe eliminarse y <font><p><span><br></span></p></font> también debe eliminarse (por lo que la etiqueta br se considera innecesaria en este caso) )

¿Tendré que usar algún tipo de función recursiva para esto? Estoy pensando en algo parecido a esto tal vez:

 RemoveEmptyNodes(HtmlNode containerNode)
 {
     var nodes = containerNode.DescendantsAndSelf().ToList();

      if (nodes != null)
      {
          foreach (HtmlNode node in nodes)
          {
              if (node.InnerText == null || node.InnerText == "")
              {
                   RemoveEmptyNodes(node.ParentNode);
                   node.Remove();
               }
           }
       }
  }

Pero eso obviamente no funciona (excepción stackoverflow).

Respuesta aceptada

las etiquetas que no deben eliminarse, puede agregar los nombres a la lista y los nodos con atributos tampoco se eliminan debido a containerNode.Attributes.Count == 0 (por ejemplo, Imágenes)

static List<string> _notToRemove;

static void Main(string[] args)
{
    _notToRemove = new List<string>();
    _notToRemove.Add("br");

    HtmlDocument doc = new HtmlDocument();
    doc.LoadHtml("<html><head></head><body><p>test</p><br><font><p><span></span></p></font></body></html>");
    RemoveEmptyNodes(doc.DocumentNode);
}

static void RemoveEmptyNodes(HtmlNode containerNode)
{
    if (containerNode.Attributes.Count == 0 && !_notToRemove.Contains(containerNode.Name) && string.IsNullOrEmpty(containerNode.InnerText))
    {
        containerNode.Remove();
    }
    else
    {
        for (int i = containerNode.ChildNodes.Count - 1; i >= 0; i-- )
        {
            RemoveEmptyNodes(containerNode.ChildNodes[i]);
        }
    }
}


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