如何从像编号TOC的html字符串中仅提取标题（即h2，h3，h4）？

Question

我想从一个xhtml字符串中提取标题标签内的所有内容（即h1，h2，h3等），然后在侧面菜单中使用。

xhtml字符串将具有编号标题，因此h2将类似于“1.1 Heading”，并且在h3下具有“1.1.1 Heading”和1.1.2等等。

<div class="main-body">
    <h2>1.1 Heading</h2>
    <h3>1.1.1 Subheading</h3>
    <p>Lorem ipsum</p>
    <h3>1.1.2 Another Subheading</h3>
    <p>Lorem ipsum</p>

    <h2>2.1 Heading</h2>
    <h3>2.1.1 Subheading</h3>
    <p>Lorem ipsum</p>
    <h4>2.1.1.1 SubSubHeading</h4>
</div>

上面是一个html如何看起来的例子，所以我想用它的子节点（h3，h4）来组合父节点（h2），当在DOM中找到一个新的h2时，我想创建一个包含它的新组。 “孩子”。

Answer 1

您有两种方法可以将<h1>中的所有文本检索到<h6>标记

所以你的输入html是：

string input = @"<div class='main - body'>
                     <h2> 1.1 Heading </h2>     
                     <h3> 1.1.1 Subheading </h3>        
                     <p> Lorem ipsum </ p >           
                     <h3> 1.1.2 Another Subheading</h3>              
                     <p> Lorem ipsum </p>     
                     <h2> 2.1 Heading </h2>
                     <h3> 2.1.1 Subheading </h3>
                     <p> Lorem ipsum </p>
                     <h4> 2.1.1.1 SubSubHeading </h4>
                 </div> ";

---

1）使用正则表达式：

使用此正则表达式将标题标记内的所有文本从<h1>获取到<h6>

<h[1-6][^>]*?>(?<TagText>.*?)</h[1-6]>

用法：

string pattern = @"<h[1-6][^>]*?>(?<TagText>.*?)</h[1-6]>";

MatchCollection matches = Regex.Matches(input, pattern);

var heading_matches = matches.Cast<Match>().Select(x => x.Groups["TagText"].Value);

忽略h1然后使用

string pattern = @"<h[2-6][^>]*?>(?<TagText>.*?)</h[2-6]>";

---

2）使用HtmlAgilityPack：

使用HtmlAgilityPack包将<h1>中的所有文本检索到<h6>。

您需要从NuGet Package Manager Console安装此软件包。

Install-Package HtmlAgilityPack -Version 1.8.14

用法：

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

string xpathQuery = "//*[starts-with(name(),'h') and string-length(name()) = 2 and number(substring(name(), 2)) <= 6]";

var texts = htmlDocument.
                DocumentNode
                .SelectNodes(xpathQuery)
                .Select(x => x.InnerText)
                .ToList();

忽略h1然后使用

string xpathQuery = "//*[starts-with(name(),'h') and string-length(name()) = 2 and number(substring(name(), 2)) > 1 and number(substring(name(), 2)) <= 6]";

输出:(来自调试器）