Итерация со всеми элементами и получение текста?

.net-4.0 c# html-agility-pack

Вопрос

Я использую следующий код, чтобы получить весь текст со страницы в 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);
}
  • Но некоторые html все еще </form> в строку, такую ​​как </form> , есть лучший способ сузить этот код, поэтому я получаю только текст каждого тега и ничего другого, или мне придется все еще анализировать результаты, чтобы удалить <*> теги?

Принятый ответ

Это можно сделать довольно легко, используя только функции, включенные в 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();

Результатом является список слов длиной более 2 и все, что уже ускользнуло, поэтому нет необходимости в WebUtility .



Related

Лицензировано согласно: CC-BY-SA with attribution
Не связан с Stack Overflow
Лицензировано согласно: CC-BY-SA with attribution
Не связан с Stack Overflow