输入
<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>
产量
foo
bar
baz
我知道htmldoc.DocumentNode.InnerText
,但它会给foobarbaz
- 我想得到每个文本,而不是一次。
var root = doc.DocumentNode;
var sb = new StringBuilder();
foreach (var node in root.DescendantNodesAndSelf())
{
if (!node.HasChildNodes)
{
string text = node.InnerText;
if (!string.IsNullOrEmpty(text))
sb.AppendLine(text.Trim());
}
}
这可以满足您的需求,但我不确定这是否是最佳方式。也许你应该迭代DescendantNodesAndSelf以外的东西以获得最佳性能。
XPATH是你的朋友:)
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(@"<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>");
foreach(HtmlNode node in doc.DocumentNode.SelectNodes("//text()"))
{
Console.WriteLine("text=" + node.InnerText);
}
var pageContent = "{html content goes here}";
var pageDoc = new HtmlDocument();
pageDoc.LoadHtml(pageContent);
var pageText = pageDoc.DocumentNode.InnerText;
html内容的指定示例:
<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>
将产生以下输出:
foo bar baz
我需要一个提取所有文本的解决方案,但会丢弃脚本和样式标记的内容。我无法在任何地方找到它,但我提出了以下适合我自己需要的:
StringBuilder sb = new StringBuilder();
IEnumerable<HtmlNode> nodes = doc.DocumentNode.Descendants().Where( n =>
n.NodeType == HtmlNodeType.Text &&
n.ParentNode.Name != "script" &&
n.ParentNode.Name != "style");
foreach (HtmlNode node in nodes) {
Console.WriteLine(node.InnerText);
public string html2text(string html) {
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(@"<html><body>" + html + "</body></html>");
return doc.DocumentNode.SelectSingleNode("//body").InnerText;
}
此解决方法基于Html Agility Pack。您也可以通过NuGet(包名:HtmlAgilityPack
)安装它。