텍스트 문자열이있는 모든 요소를 ​​찾으십니까?

특정 텍스트 문자열을 포함하는 모든 html 요소 (태그)를 제거하려고합니다. 나는 2376 개의 HTML 문서를 가지고 있으며, 모두 다른 doctype 표준을 사용한다. 일부는 doctype이 없습니다 (이 질문과 관련이 없을 수 있음).

그래서 "이 논문을 인용하는 방법"이라는 텍스트 문자열을 찾고 있는데, <p>-tag , <h4>-tag 또는 <legend>-tag 내에 포함되어있는 것으로 나타났습니다.

<p>-tag 종종 다음과 같이 보입니다.

<p style="text-align : center; color : Red; font-weight : bold;">How to cite this paper:</i></p>

<h4>-tag 종종 이렇게 보입니다.

<h4>How to cite this paper:</h4>Antunes, P., Costa, C.J. &amp; Pino, J.A. (2006).

<legend>-tag 는 다음과 같습니다.

<legend style="color: white; background-color: maroon; font-size: medium; padding: .1ex .5ex; border-right: 1px solid navy; border-bottom: 1px solid navy; font-weight: bold;">How to cite this paper</legend>

현재 진행중인 작업은 이러한 태그를 찾아서 파일에서 제거한 다음 파일을 다시 저장하는 것입니다. 제거 할 태그가 더 많지만 HAP 및 XPath를 이해하는 데 도움이되고 값이나 다른 고유 한 데이터를 기반으로 특정 태그를 찾는 방법이 필요합니다.

지금까지 C #으로이 코드를 만들었습니다.이 코드는 콘솔 응용 프로그램입니다. 이것은 나의 메인 (나쁜 들여 쓰기에 대해 유감스럽게 생각한다)이다.

//Variables
string Ext = "*.html";
string folder = @"D:\websites\dev.openjournal.tld\public\arkivet\";
IEnumerable<string> files = GetHTMLFiles(folder, Ext);
List<string> cite_files = new List<string>();            
var doc = new HtmlDocument();

//Loop to match all html-elements to query
foreach (var file in files)
{
 try
   {
      doc.Load(file);
      cite_files.Add(doc.DocumentNode.SelectNodes("//h4[contains(., 'How to cite this paper')]").ToString()); 

     cite_files.Add(doc.DocumentNode.SelectNodes("//p[contains(., 'How to cite this paper')]").ToString());
   }                
                    catch (Exception Ex)
                    {
                        Console.WriteLine(Ex.Message);
                    }
                }

                //Counts numbers of hits and prints data to user
                int filecount = files.Count();
                int citations = cite_files.Count();            
                Console.WriteLine("Number of files scanned: " + filecount);
                Console.WriteLine("Number of citations: {0}", citations);

                // Program end
                Console.WriteLine("Press any key to close program....");
                Console.ReadKey();

그리고 이것은 디렉토리를 통해 파일을 찾는 개인적인 방법입니다.

//List all HTML-files recursively and return them to a list 
 public static IEnumerable<string> GetHTMLFiles(string directory, string Ext)
    {
        List<string> files = new List<string>();

        try
        {
            files.AddRange(Directory.GetFiles(directory, Ext, SearchOption.AllDirectories));
        }
        catch (Exception ex)
        {
            Console.WriteLine(ex.Message);
        }            
        return files;
    }

이 독특한 단어를 포함하는 모든 특정 태그를 찾은 다음 제거하려고하는 독특한 방법은 "이 종이를 인용하는 방법"인 것 같습니다. 메모장에이 문구가 포함 된 1094 개의 파일이 있어야하므로 모든 파일을 가져 오려고합니다. :)

어떤 도움을 주셔서 감사합니다! :)