使用HTML AgilityPack按分隔线解析HTML

Question

使用HTML AgilityPack按分隔线解析HTML

c# html-agility-pack parsing

题

我试图解析特定HTML字符串，这样我可以提取一组被打散线<br/>断裂线。输入HTML如下所示：

<div class="PlainText">
  DATE: 2013-10-28 20:00:43 -0500 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  <br/> //Notice this has two break lines, i would like to stop after seeing two consecutive break lines.
</div>

使用更大的html文档中的div，我能够获得HTML ChildNodes

List<HtmlNode> nodes = htmlDoc.DocumentNode
                                    .Descendants("div")
                                    .Where(x => x.Attributes.Contains("class") &&
                                            x.Attributes["class"].Value.Contains("PlainText")).ToList();

我不完全确定从哪里开始，我想阅读所有文本，直到我看到两个分隔线并停止？

编辑

我看着的childNodes nodes在Visual Studio中运行时检查，发现里面居然是不是两个consectuive <br/>线，但单断线和#text与它的innerHTML存在标签\n换行符。

在此处输入图像描述

Warz

热门答案

您可以使用XPath //div[@class='PlainText']来获取所需的div节点。您还可以在从div获取子节点时检查下一个兄弟节点：

HtmlDocument doc = new HtmlDocument();
doc.Load("index.html");
Func<HtmlNode, bool> notTwoBrakes = 
    n => (n.Name != "br" || n.NextSibling != null && n.NextSibling.Name != "br");
var nodes = doc.DocumentNode.SelectNodes("//div[@class='PlainText']")
               .Select(div => div.ChildNodes.TakeWhile(notTwoBrakes));

我不使用内联lambda只是为了提高可读性。条件的工作方式如下：

检查下一个节点是否为空，如果为空，则获取当前节点
检查下一个节点是否为br节点，如果不是 - 请获取当前节点
检查当前节点是否为br节点，如果不是 - 获取当前节点
否则停止服用子节点

结果：

在此处输入图像描述

Sergey Berezovskiy

在 Stack Overflow 上查看更多

Accepted Answer

这样的事情应该有效

[Test]
public void Test()
{
    var x = ReadTillTwoBr(GetDivClass()).ToList();
}

public HtmlNode GetDivClass()
{
    var html = @"<html><div class=""PlainText"">
            DATE: 2013-10-28 20:00:43 -0500 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            <br   /> //Notice this has two break lines, i would like to stop after seeing two consecutive break lines.
            Item 3
        </div></html>";
    var doc = new HtmlDocument();
    doc.LoadHtml(html);

    return doc.DocumentNode
                .Descendants("div").First(x => x.Attributes.Contains("class") &&
                                                x.Attributes["class"].Value.Contains("PlainText"));

}

public IEnumerable<string> ReadTillTwoBr(HtmlNode node)
{
    var nonEmptyNodes =
        node.ChildNodes.Except(node.ChildNodes.Where(f => f.Name == "#text" && String.IsNullOrWhiteSpace(f.InnerHtml)))
            .ToList();

    foreach (var n in nonEmptyNodes)
    {
        if (IsBr(n) && IsBr(n.NextSibling))
        {
            yield break;
        }

        if (n.Name == "#text")
        {
            yield return n.InnerText.Trim();
        }
    }
}

public bool IsBr(HtmlNode n)
{
    return n != null && n.NodeType == HtmlNodeType.Element && n.Name == "br";
}

哪个回报

在此处输入图像描述

请注意在两个br之后它没有返回注释

编辑：

我删除了空的#text值，因为当你在最后两个br标签之间有换行符时，你实际上得到了带有换行符的#text标签。我认为这是新行混淆的地方。

使用HTML AgilityPack按分隔线解析HTML

题

Fastest Entity Framework Extensions

一般承认的答案

热门答案

Performance

Expression Evaluator

Related