Analizza HTML dalle linee di discontinuità usando HTML AgilityPack

Question

Analizza HTML dalle linee di discontinuità usando HTML AgilityPack

c# html-agility-pack parsing

Domanda

Sto cercando di analizzare una stringa HTML specifica in modo da poter estrarre un insieme di righe spezzate da <br/> break lines. L'HTML di input è simile al seguente:

<div class="PlainText">
  DATE: 2013-10-28 20:00:43 -0500 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  <br/> //Notice this has two break lines, i would like to stop after seeing two consecutive break lines.
</div>

Con questo div in un documento html più grande, sono stato in grado di ottenere i HTML ChildNodes

List<HtmlNode> nodes = htmlDoc.DocumentNode
                                    .Descendants("div")
                                    .Where(x => x.Attributes.Contains("class") &&
                                            x.Attributes["class"].Value.Contains("PlainText")).ToList();

Non sono del tutto sicuro di dove andare da qui, mi piacerebbe leggere tutto il testo fino a quando non vedo due linee di frattura e mi fermo?

MODIFICARE

Ho guardato le childNodes nodes in Visual Studio runtime ispettore e notato che in realtà non è due consectuive <br/> linee, ma una sola linea di rottura ed una #text tag con il suo InnerHtml essere \n un carattere di nuova riga.

inserisci la descrizione dell'immagine qui

Warz

Risposta popolare

Puoi usare XPath //div[@class='PlainText'] per ottenere i div nodi richiesti. Inoltre, puoi controllare il prossimo nodo fratello durante l'acquisizione di nodi figlio da div:

HtmlDocument doc = new HtmlDocument();
doc.Load("index.html");
Func<HtmlNode, bool> notTwoBrakes = 
    n => (n.Name != "br" || n.NextSibling != null && n.NextSibling.Name != "br");
var nodes = doc.DocumentNode.SelectNodes("//div[@class='PlainText']")
               .Select(div => div.ChildNodes.TakeWhile(notTwoBrakes));

Non uso lambda in linea solo per la leggibilità. La condizione funziona così:

Controlla se il nodo successivo è nullo, se è nullo, quindi prendi il nodo corrente
Controlla se il nodo successivo è br nodo, in caso contrario - prendi il nodo corrente
Controlla se il nodo corrente è br nodo, in caso contrario - prendi il nodo corrente
Altrimenti smettere di prendere i nodi figli

Risultato:

inserisci la descrizione dell'immagine qui

Sergey Berezovskiy

Vedi di più su Stack Overflow

devshorts · Accepted Answer · 10/31/2013 6:52:33 PM

Qualcosa del genere dovrebbe funzionare

[Test]
public void Test()
{
    var x = ReadTillTwoBr(GetDivClass()).ToList();
}

public HtmlNode GetDivClass()
{
    var html = @"<html><div class=""PlainText"">
            DATE: 2013-10-28 20:00:43 -0500 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            <br   /> //Notice this has two break lines, i would like to stop after seeing two consecutive break lines.
            Item 3
        </div></html>";
    var doc = new HtmlDocument();
    doc.LoadHtml(html);

    return doc.DocumentNode
                .Descendants("div").First(x => x.Attributes.Contains("class") &&
                                                x.Attributes["class"].Value.Contains("PlainText"));

}

public IEnumerable<string> ReadTillTwoBr(HtmlNode node)
{
    var nonEmptyNodes =
        node.ChildNodes.Except(node.ChildNodes.Where(f => f.Name == "#text" && String.IsNullOrWhiteSpace(f.InnerHtml)))
            .ToList();

    foreach (var n in nonEmptyNodes)
    {
        if (IsBr(n) && IsBr(n.NextSibling))
        {
            yield break;
        }

        if (n.Name == "#text")
        {
            yield return n.InnerText.Trim();
        }
    }
}

public bool IsBr(HtmlNode n)
{
    return n != null && n.NodeType == HtmlNodeType.Element && n.Name == "br";
}

Che ritorna

inserisci la descrizione dell'immagine qui

Nota come non ha restituito il commento dopo le due br

MODIFICARE:

Ho rimosso i valori #text vuoti poiché quando si ha una nuova riga tra gli ultimi due tag br si ottiene effettivamente un tag #text con #text . Penso che sia qui che risiede la confusione di newline.

Analizza HTML dalle linee di discontinuità usando HTML AgilityPack

Domanda

Fastest Entity Framework Extensions

Risposta accettata

Risposta popolare

Performance

Expression Evaluator

Related