使用InnerText时,阻止HTMLAgilityPack连接单词

c# html-agility-pack

我正在尝试从HTML文档中获取文本的简单任务。所以我正在使用HTMLdoc.DocumentNode.InnerText。问题是在某些网站上,当它们位于不同的标签中时,不要在单词之间放置空格。在那些情况下,DocumentNode.InnerText将这些单词连接成一个,它就变得毫无用处。

例如,我正在尝试阅读包含该行的网站

<span>Ä°stanbul</span><ul><li><a href="i1.htm">Adana</a></li>

我得到的是“Ä°stanbulAdana”,这毫无意义。

我在HTMLAgilityPack文档和Google上找不到任何解决方案

我错过了什么吗?

谢谢,

一般承认的答案

这应该很容易做到。

const string html = @"<span>Ä°stanbul</span><ul><li><a href=""i1.htm"">Adana</a></li>";
var doc = new HtmlDocument();
doc.LoadHtml(html);
string result = string.Join(" ", doc.DocumentNode.Descendants()
  .Where(n => !n.HasChildNodes && !string.IsNullOrWhiteSpace(n.InnerText))
  .Select(n => n.InnerText));
Console.WriteLine(result); // prints "Ä°stanbul Adana"

热门答案

好吧,代码片段为此示例挂起:

const string html = @"<td><font size=""2"">abc </font><font size=""2"">(</font><font size=""2"">abc</font><font size=""2"">) </font><a href=""?query=abc"">abc</a>, abc<br><font size=""2"">abc </font>abc, <a href=""?query=abc"">abc</a>, abc, <a href=""?query=abc"">abc</a><br><font size=""2"">abc </font>abc abc, abc abc<br></td>";

如果没有join-clause,它就不会挂起(但它也没有正确地放置空格)。



Related

许可下: CC-BY-SA with attribution
不隶属于 Stack Overflow
许可下: CC-BY-SA with attribution
不隶属于 Stack Overflow