Подстрока HtmlAgilityPack по всей длине

Question

Подстрока HtmlAgilityPack по всей длине

c# html-agility-pack

Вопрос

У меня есть html с вложенными элементами (в основном просто с элементами div и p ) Мне нужно вернуть тот же html, но подстроить заданное количество букв. Очевидно, что число букв не должно перечисляться через теги html, а только подсчет букв InnerText каждого элемента html. Результат Html должен сохранять правильную структуру - любые закрывающие теги, чтобы оставаться действительным html.

Пример ввода:

<div>
    <p>some text</p>
    <p>some more text some more text some more text some more text some more text</p>
    <div>
        <p>some more text some more text some more text some more text some more text</p>
        <p>some more text some more text some more text some more text some more text</p>
    </div>
</div>

Учитывая int length = 16 результат должен выглядеть следующим образом:

<div>
    <p>some text</p> // 9 characters in the InnerText here
    <p>some mo</p> // 7 characters in the InnerText here; 9 + 7 = 16;
</div>

Обратите внимание, что количество букв (включая пробелы) равно 16. Последующий <div> исключается, так как количество букв достигает переменной length . Обратите внимание, что выходной html остается в силе.

Я пробовал следующее, но на самом деле это не работает. Результат не так ожидаемый: некоторые элементы html повторяются.

public static string SubstringHtml(this string html, int length)
{
    HtmlDocument doc = new HtmlDocument();
    doc.LoadHtml(html);
    int totalLength = 0;
    StringBuilder output = new StringBuilder();
    foreach (var node in doc.DocumentNode.Descendants())
    {
        totalLength += node.InnerText.Length;
        if(totalLength >= length)
        {
            int difference = totalLength - length;
            string lastPiece = node.InnerText.ToString().Substring(0, difference);
            output.Append(lastPiece);
            break;
        }
        else
        {
            output.Append(node.InnerHtml);
        }
    }
    return output.ToString();
}

ОБНОВИТЬ

@SergeBelov предоставил решение, которое работает для первого ввода образца, однако дальнейшее тестирование показало проблему со входом, подобным приведенному ниже.

Пример ввода №2:

some more text some more text 
<div>
    <p>some text</p>
    <p>some more text some more text some more text some more text some more text</
</div>

Учитывая, что переменная int maxLength = 7; выход должен быть равен некоторому моменту . Это не работает так из-за этого кода, где ParentNode = null :

lastNode
    .Node
    .ParentNode
    .ReplaceChild(HtmlNode.CreateNode(lastNodeText.InnerText.Substring(0, lastNode.NodeLength - lastNode.TotalLength + maxLength)), lastNode.Node);

Создание нового HtmlNode, похоже, не помогает, потому что его свойство InnterText является readonly.

Dmitry

Подробнее о Stack Overflow

Accepted Answer

Небольшая консольная программа ниже иллюстрирует один из возможных подходов:

Выбирайте соответствующие текстовые узлы и вычисляйте текущую длину их длины;
Возьмите столько узлов, сколько требуется, чтобы добраться до общей суммы за максимальную длину;
Удалите все узлы элементов из документа, кроме тех, которые являются предками узлов, которые мы выбрали во время шагов ## 1, 2;
Вырезать текст в последнем узле списка, чтобы он соответствовал максимальной длине.

UPDATE: это должно по-прежнему работать с первым текстовым узлом; вероятно, Trim() требуется для удаления пробела из него, как показано ниже.

    static void Main(string[] args)
    {
        int maxLength = 9;
        string input = @"
            some more text some more text 
            <div>
                <p>some text</p>
                <p>some more text some more text some more text some more text some more text</
            </div>";

        var doc = new HtmlDocument();
        doc.LoadHtml(input);

        // Get text nodes with the appropriate running total
        var acc = 0;
        var nodes = doc.DocumentNode
            .Descendants()
            .Where(n => n.NodeType == HtmlNodeType.Text && n.InnerText.Trim().Length > 0)
            .Select(n => 
            {
                var length = n.InnerText.Trim().Length;
                acc += length;
                return new { Node = n, TotalLength = acc, NodeLength = length }; 
            })
            .TakeWhile(n => (n.TotalLength - n.NodeLength) < maxLength)
            .ToList();

        // Select element nodes we intend to keep
        var nodesToKeep = nodes
            .SelectMany(n => n.Node.AncestorsAndSelf()
                .Where(m => m.NodeType == HtmlNodeType.Element));

        // Select and remove element nodes we don't need
        var nodesToDrop = doc.DocumentNode
            .Descendants()
            .Where(m => m.NodeType == HtmlNodeType.Element)
            .Except(nodesToKeep)
            .ToList();

        foreach (var r in nodesToDrop)
            r.Remove();

        // Shorten the last node as required
        var lastNode = nodes.Last();
        var lastNodeText = lastNode.Node;
        var text = lastNodeText.InnerText.Trim().Substring(0,
                lastNode.NodeLength - lastNode.TotalLength + maxLength);
        lastNodeText
            .ParentNode
            .ReplaceChild(HtmlNode.CreateNode(text), lastNodeText);

        doc.Save(Console.Out);
    }

Подстрока HtmlAgilityPack по всей длине

Вопрос

Принятый ответ

Performance

Expression Evaluator