Разделить строку html в N частях

c# html-agility-pack htmltidy regex

Вопрос

Есть ли у кого-нибудь пример разделения строки html (исходящей из крошечного редактора mce) и разделения его на N частей с помощью C #?

Мне нужно разделить строку равномерно, не разбивая слова.

Я думал просто разделить html и использовать HtmlAgilityPack, чтобы попытаться исправить сломанные теги. Хотя я не уверен, как найти точку разделения, так как в идеале она должна быть основана на тексте, а не на html.

У кого-нибудь есть идеи о том, как это сделать?

ОБНОВИТЬ

В соответствии с запросом здесь приведен пример ввода и желаемого вывода.

ВХОД:

<p><strong>Lorem ipsum dolor sit amet, <em>consectetur adipiscing</em></strong> elit.</p>

OUTPUT (При разбиении на 3 столбца):

Part1: <p><strong>Lorem ipsum dolor</strong></p>
Part2: <p><strong>sit amet, <em>consectetur</em></strong></p>
Part3: <p><strong><em>adipiscing</em></strong> elit.</p>

ОБНОВЛЕНИЕ 2:

У меня только что была игра с Tidy HTML, и это, похоже, хорошо работает для исправления сломанных тегов, так что это может быть хорошим вариантом, если я найду способ найти разделенные пинты?

ОБНОВЛЕНИЕ 3

Используя метод, подобный этой строке Truncate для целых слов в .NET C # , теперь мне удалось получить список простых текстовых слов, которые будут составлять каждую часть. Итак, скажем, используя Tidy HTML, у меня есть допустимая структура XML для html, и, учитывая этот список слов, кто-нибудь понял, что теперь будет лучшим способом разбить его?

ОБНОВЛЕНИЕ 4

Может ли кто-нибудь увидеть проблему с использованием регулярного выражения, чтобы найти индексы с HTML следующим образом:

Учитывая, что строка простого текста «sit amet, consectetur» заменяет все пробелы регулярным выражением «(\ s | <(. | \ N) +?>) *", Теоретически нахождение этой строки с любой комбинацией пробелов и / или теги

Я мог бы просто использовать Tidy HTML для исправления сломанных тэгов html?

Большое спасибо

Matt

Принятый ответ

Предлагаемое решение

Человек, это мое проклятие ! Я, по-видимому, не могу уйти от проблемы, не тратя на это и не включая необоснованное количество времени на нее.

Я подумал об этом. Я подумал о HTML Tidy, и, возможно, это сработает, но мне нелегко обернуть вокруг себя голову.

Итак, я написал собственное решение.

Я протестировал это на вашем входе и на каком-то другом входе, который я сбросил вместе. Кажется, это работает очень хорошо. Конечно, в нем есть дыры, но это может дать вам отправную точку.

Во всяком случае, мой подход был таким:

  1. Инкапсулируйте понятие одного слова в документе HTML, используя класс, который включает информацию о позиции этого слова в иерархии документов HTML, вплоть до заданного «верхнего». Это я реализовал в классе HtmlWord ниже.
  2. Создайте класс, способный писать одну строку, состоящую из этих HTML-слов выше, так что теги начального и конечного элементов добавляются в соответствующие места. Это я реализовал в классе HtmlLine ниже.
  3. Напишите несколько методов расширения, чтобы эти классы сразу и интуитивно доступны прямо из объекта HtmlAgilityPack.HtmlNode . Они я реализовал в классе HtmlHelper ниже.

Неужели я безумный за все это? Вероятно, да. Но, знаете ли, если вы не можете понять какой-либо другой способ, вы можете попробовать.

Вот как это работает с вашим примером ввода:

var document = new HtmlDocument();
document.LoadHtml("<p><strong>Lorem ipsum dolor sit amet, <em>consectetur adipiscing</em></strong> elit.</p>");

var nodeToSplit = document.DocumentNode.SelectSingleNode("p");
var lines = nodeToSplit.SplitIntoLines(3);

foreach (var line in lines)
    Console.WriteLine(line.ToString());

Вывод:

<p><strong>Lorem ipsum dolor </strong></p>
<p><strong>sit amet, <em>consectetur </em></strong></p>
<p><strong><em>adipiscing </em></strong>elit. </p>

И теперь для кода:

Класс HtmlWord

using System;
using System.Collections.Generic;
using System.Linq;

using HtmlAgilityPack;

public class HtmlWord {
    public string Text { get; private set; }
    public HtmlNode[] NodeStack { get; private set; }

    // convenience property to display list of ancestors cleanly
    // (for ease of debugging)
    public string NodeList {
        get { return string.Join(", ", NodeStack.Select(n => n.Name).ToArray()); }
    }

    internal HtmlWord(string text, HtmlNode node, HtmlNode top) {
        Text = text;
        NodeStack = GetNodeStack(node, top);
    }

    private static HtmlNode[] GetNodeStack(HtmlNode node, HtmlNode top) {
        var nodes = new Stack<HtmlNode>();

        while (node != null && !node.Equals(top)) {
            nodes.Push(node);
            node = node.ParentNode;
        };

        return nodes.ToArray();
    }
}

Класс HtmlLine

using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using System.Text;
using System.Xml;

using HtmlAgilityPack;

[Flags()]
public enum NodeChange {
    None = 0,
    Dropped = 1,
    Added = 2
}

public class HtmlLine {
    private List<HtmlWord> _words;
    public IList<HtmlWord> Words {
        get { return _words.AsReadOnly(); }
    }

    public int WordCount {
        get { return _words.Count; }
    }

    public HtmlLine(IEnumerable<HtmlWord> words) {
        _words = new List<HtmlWord>(words);
    }

    private static NodeChange CompareNodeStacks(HtmlWord x, HtmlWord y, out HtmlNode[] droppedNodes, out HtmlNode[] addedNodes) {
        var droppedList = new List<HtmlNode>();
        var addedList = new List<HtmlNode>();

        // traverse x's NodeStack backwards to see which nodes
        // do not include y (and are therefore "finished")
        foreach (var node in x.NodeStack.Reverse()) {
            if (!Array.Exists(y.NodeStack, n => n.Equals(node)))
                droppedList.Add(node);
        }

        // traverse y's NodeStack forwards to see which nodes
        // do not include x (and are therefore "new")
        foreach (var node in y.NodeStack) {
            if (!Array.Exists(x.NodeStack, n => n.Equals(node)))
                addedList.Add(node);
        }

        droppedNodes = droppedList.ToArray();
        addedNodes = addedList.ToArray();

        NodeChange change = NodeChange.None;
        if (droppedNodes.Length > 0)
            change &= NodeChange.Dropped;
        if (addedNodes.Length > 0)
            change &= NodeChange.Added;

        // could maybe use this in some later revision?
        // not worth the effort right now...
        return change;
    }

    public override string ToString() {
        if (WordCount < 1)
            return string.Empty;

        var lineBuilder = new StringBuilder();

        using (var lineWriter = new StringWriter(lineBuilder))
        using (var xmlWriter = new XmlTextWriter(lineWriter)) {
            var firstWord = _words[0];
            foreach (var node in firstWord.NodeStack) {
                xmlWriter.WriteStartElement(node.Name);
                foreach (var attr in node.Attributes)
                    xmlWriter.WriteAttributeString(attr.Name, attr.Value);
            }
            xmlWriter.WriteString(firstWord.Text + " ");

            for (int i = 1; i < WordCount; ++i) {
                var previousWord = _words[i - 1];
                var word = _words[i];

                HtmlNode[] droppedNodes;
                HtmlNode[] addedNodes;

                CompareNodeStacks(
                    previousWord,
                    word,
                    out droppedNodes,
                    out addedNodes
                );

                foreach (var dropped in droppedNodes)
                    xmlWriter.WriteEndElement();
                foreach (var added in addedNodes) {
                    xmlWriter.WriteStartElement(added.Name);
                    foreach (var attr in added.Attributes)
                        xmlWriter.WriteAttributeString(attr.Name, attr.Value);
                }

                xmlWriter.WriteString(word.Text + " ");

                if (i == _words.Count - 1) {
                    foreach (var node in word.NodeStack)
                        xmlWriter.WriteEndElement();
                }
            }
        }

        return lineBuilder.ToString();
    }
}

Статический класс HtmlHelper

using System;
using System.Collections.Generic;
using System.Linq;

using HtmlAgilityPack;

public static class HtmlHelper {
    public static IList<HtmlLine> SplitIntoLines(this HtmlNode node, int wordsPerLine) {
        var lines = new List<HtmlLine>();

        var words = node.GetWords(node.ParentNode);

        for (int i = 0; i < words.Count; i += wordsPerLine) {
            lines.Add(new HtmlLine(words.Skip(i).Take(wordsPerLine)));
        }

        return lines.AsReadOnly();
    }

    public static IList<HtmlWord> GetWords(this HtmlNode node, HtmlNode top) {
        var words = new List<HtmlWord>();

        if (node.HasChildNodes) {
            foreach (var child in node.ChildNodes)
                words.AddRange(child.GetWords(top));
        } else {
            var textNode = node as HtmlTextNode;
            if (textNode != null && !string.IsNullOrEmpty(textNode.Text)) {
                string[] singleWords = textNode.Text.Split(
                    new string[] {" "},
                    StringSplitOptions.RemoveEmptyEntries
                );
                words.AddRange(
                    singleWords
                        .Select(w => new HtmlWord(w, node.ParentNode, top)
                    )
                );
            }
        }

        return words.AsReadOnly();
    }
}

Вывод

Просто повторю: это решение сбрасывается вместе; Я уверен, что у него проблемы. Я представляю его только как отправную точку для вас, чтобы рассмотреть - опять же, если вы не можете получить поведение, которое хотите, другими способами.


Популярные ответы

Это предложение - это всего лишь взлом - надеюсь, есть лучший способ.

В принципе, вы хотите взять фрагмент текста в формате HTML и разделить его на более мелкие части, которые по-прежнему сохраняют шрифт и т. Д. Оригинала. Я думаю, вы можете загрузить исходный HTML в RTF-элемент управления или объект Word, разделить его на части, которые сохраняют форматирование, а затем выводят фрагменты как отдельный HTML.

Также может быть способ использования HtmlAgilityPack, например, если он предоставляет простой способ извлечения текста с информацией о форматировании из исходного HTML.



Лицензировано согласно: CC-BY-SA with attribution
Не связан с Stack Overflow
Является ли этот КБ законным? Да, узнайте, почему
Лицензировано согласно: CC-BY-SA with attribution
Не связан с Stack Overflow
Является ли этот КБ законным? Да, узнайте, почему