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.
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.
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.
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);
}
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
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);
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
).