Захватите весь текст из html с помощью Html Agility Pack

Ввод

<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>

Выход

foo
bar
baz

Я знаю htmldoc.DocumentNode.InnerText, но он даст foobarbaz - я хочу получить каждый текст, а не все за раз.

Ответ 1

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());
    }
}

Это делает то, что вам нужно, но я не уверен, что это лучший способ. Возможно, вам нужно перебирать что-то другое, кроме DescendantNodesAndSelf, для оптимальной производительности.

Ответ 2

XPATH - ваш друг:)

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);
}

Ответ 3

var pageContent = "{html content goes here}";
var pageDoc = new HtmlDocument();
pageDoc.LoadHtml(pageContent);
var pageText = pageDoc.DocumentNode.InnerText;

Указанный пример для содержимого html:

<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>

выдаст следующий результат:

foo bar baz

Ответ 4

Мне было нужно решение, которое извлекает весь текст, но отбрасывает содержимое script и тегов стиля. Я не мог найти его нигде, но я придумал следующее, что соответствует моим собственным потребностям:

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);

Ответ 5

public string html2text(string html) {
    HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
    doc.LoadHtml(@"<html><body>" + html + "</body></html>");
    return doc.DocumentNode.SelectSingleNode("//body").InnerText;
}

Это обходное решение основано на Html Agility Pack. Вы также можете установить его через NuGet (имя пакета: HtmlAgilityPack).