HTMLAgilityPack itera todos los nodos de texto solamente
html-agility-pack
Pregunta
Aquí hay un fragmento de código HTML y todo lo que quiero es obtener solo los nodos de texto e iterarlos. Por favor, avísame. Gracias.
<div>
<div>
Select your Age:
<select>
<option>0 to 10</option>
<option>20 and above</option>
</select>
</div>
<div>
Help/Hints:
<ul>
<li>This is required field.
<li>Make sure select the right age.
</ul>
<a href="#">Learn More</a>
</div>
</div>
Resultado:
- Seleccione su edad:
- 0 a 10
- 20 y mas
- Ayuda / Consejos:
- Este campo es obligatorio.
- Asegúrese de seleccionar la edad adecuada.
- Aprende más
Respuesta aceptada
Algo como esto:
HtmlDocument doc = new HtmlDocument();
doc.Load(yourHtmlFile);
foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//text()[normalize-space(.) != '']"))
{
Console.WriteLine(node.InnerText.Trim());
}
Saldrá esto:
Select your Age:
0 to 10
20 and above
Help/Hints:
This is required field.
Make sure select the right age.
Learn More
Respuesta popular
Probé la respuesta de @Simon Mourier en la página de inicio de Google y obtuve muchos CSS y Javascript, así que agregué un filtro adicional para eliminarlo:
public string getBodyText(string html)
{
string str = "";
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(html);
try
{
// Remove script & style nodes
doc.DocumentNode.Descendants().Where( n => n.Name == "script" || n.Name == "style" ).ToList().ForEach(n => n.Remove());
// Simon Mourier's Answer
foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//text()[normalize-space(.) != '']"))
{
str += node.InnerText.Trim() + " ";
}
}
catch (Exception)
{
}
return str;
}
Licencia bajo: CC-BY-SA with attribution
No afiliado con Stack Overflow