Agarra todo el texto de html con Html Agility Pack

c# html-agility-pack

Pregunta

Entrada

<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>

Salida

foo
bar
baz

Sé de htmldoc.DocumentNode.InnerText , pero le dará foobarbaz : quiero obtener cada texto, no todos a la vez.

Respuesta aceptada

var root = doc.DocumentNode;
var sb = new StringBuilder();
foreach (var node in root.DescendantNodesAndSelf())
{
    if (!node.HasChildNodes)
    {
        string text = node.InnerText;
        if (!string.IsNullOrEmpty(text))
            sb.AppendLine(text.Trim());
    }
}

Esto hace lo que necesita, pero no estoy seguro de si esta es la mejor manera. Tal vez debería iterar a través de algo que no sea DescendantNodesAndSelf para obtener un rendimiento óptimo.


Respuesta popular

XPATH es tu amigo :)

HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(@"<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>");

foreach(HtmlNode node in doc.DocumentNode.SelectNodes("//text()"))
{
    Console.WriteLine("text=" + node.InnerText);
}


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