Iterare con tutti gli elementi e ottenere il testo?

.net-4.0 c# html-agility-pack

Domanda

Sto usando il codice seguente per ottenere tutto il testo da una pagina in una 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);
}
  • Ma alcuni html stanno ancora entrando nella stringa come </form> c'è un modo migliore per restringere questo codice in modo da ottenere solo il testo di ogni tag e nient'altro o dovrò ancora analizzare i risultati per rimuovere <*> tag?

Risposta accettata

Questo può essere fatto piuttosto facilmente usando solo le funzioni incluse nell'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();

Il risultato è un elenco di parole con una lunghezza superiore a 2 e tutto già sfuggito, quindi non c'è bisogno di WebUtility .



Related

Autorizzato sotto: CC-BY-SA with attribution
Non affiliato con Stack Overflow
È legale questo KB? Sì, impara il perché
Autorizzato sotto: CC-BY-SA with attribution
Non affiliato con Stack Overflow
È legale questo KB? Sì, impara il perché