HTMLAgilityPackを使用したHTMLの解析

c# html-agility-pack

質問

私はHTML Agility Packを使って解析しようとしている以下のHTMLを持っています。

これは、コードによって返されるファイル全体のスニペットです。

<div class="story-body fnt-13 p20-b user-gen">
    <p>text here text here text </p>
    <p>text here text here text text here text here text text here text here text text here text here text </p>
    <div  class="gallery clr bdr aln-c js-no-shadow mod  cld">
        <div>
            <ol>
                <li class="fader-item aln-c ">
                    <div class="imageWrap m10-b">
                       &#8203;<img class="http://www.domain.com/picture.png| " src="http://www.domain.com/picture.png" alt="alt text" />
                    </div>
                    <p class="caption">caption text</p>
                </li>
            </ol>
        </div>
    </div >
    <p>text here text here text text here text here text text here text here text text here text here text </p>
    <p>text here text here text text here text here text text here text here text text here text here text text here text here text </p>
    <p>text here text here text text here text here text text here text here text text here text here text text here text here text </p>
</div>

私は次のコードを使用してこのコードスニペットを取得します(これはわかりにくいです)

string url = "http://www.domain.com/story.html";
var webGet = new HtmlWeb();
var document = webGet.Load(url);

var links = document.DocumentNode
        .Descendants("div")
        .Where(div => div.GetAttributeValue("class", "").Contains("story-body fnt-13 p20-b user-gen")) //
        .SelectMany(div => div.Descendants("p"))
        .ToList();
int cn = links.Count;

HtmlAgilityPack.HtmlNodeCollection tl = document.DocumentNode.SelectNodes("/html[1]/body[1]/div[1]/div[2]/div[1]/div[1]/div[1]/div[2]/div[1]");
foreach (HtmlAgilityPack.HtmlNode node in tl)
{
    textBox1.AppendText(node.InnerText.Trim());
    textBox1.AppendText(System.Environment.NewLine);
}

コードは各pをループし、(今のところは)それをテキストボックスに追加します。クラスgallery clr bdr aln-c js-no-shadow mod clddivタグ以外は、すべて正しく動作しています。 HTMLのこのビットの結果は、私が&#8203;字幕テキストビット。

結果からそれを省略する最良の方法は何ですか?

受け入れられた回答

XPATHはあなたの友人です。これを試してみてください。

HtmlNodeCollection tl = document.DocumentNode.SelectNodes("//p[not(@*)]");
foreach (HtmlAgilityPack.HtmlNode node in tl)
{
    Console.WriteLine(node.InnerText.Trim());
}

この式は、属性が設定されていないPノードをすべて選択します。その他のサンプルについては、こちらを参照してください。XPath構文


人気のある回答

あなたが求めていることははっきりしていません。私あなたが特定のdivの直接の子孫を取得する方法を尋ねていると思います。その場合は、 DescendantsではなくChildNodesを使用します。あれは:

.SelectMany(div => div.ChildNodes().Where(n => n.Name == "p"))

問題は、 Descendantsがドキュメントツリーの完全な再帰的な散歩をすることです。



Related

ライセンスを受けた: CC-BY-SA with attribution
所属していない Stack Overflow
ライセンスを受けた: CC-BY-SA with attribution
所属していない Stack Overflow