Itérer avec tous les éléments et obtenir du texte?

.net-4.0 c# html-agility-pack

Question

J'utilise le code suivant pour obtenir tout le texte d'une page dans une 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);
}
  • Mais certains html vont encore dans la chaîne, comme </form> -t-il un meilleur moyen de restreindre ce code afin que je n’obtienne que le texte de chaque balise et rien d’autre sinon je devrai analyser les résultats pour supprimer <*> Mots clés ?

Réponse acceptée

Cela peut être fait assez facilement en utilisant uniquement les fonctions incluses dans le 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();

Le résultat est une liste de mots d'une longueur de plus de 2 et tout est déjà échappé, donc pas besoin de WebUtility .




Sous licence: CC-BY-SA with attribution
Non affilié à Stack Overflow
Est-ce KB légal? Oui, apprenez pourquoi
Sous licence: CC-BY-SA with attribution
Non affilié à Stack Overflow
Est-ce KB légal? Oui, apprenez pourquoi