Question

我想知道这是否可行。

我有这样的HTML：

<p>
  <font face="Georgia">
    <b>History</b><br>&nbsp; <br>Two of the polysaccharides used in the manufacture of...</font>
    <a title="PubMed" href="http://www.www.gov/pubmed/" target="_blank">
    <font face="Georgia">) and this web site for new development by...well as Self Affirmed Medical Food GRAS status.&nbsp; 
    </font>
</p>

<p>
  <font face="Georgia">[READMORE]</font>
</p>

<p><font face="Georgia"><br><strong>Proprietary Composition</strong><br>
   <br>The method in which soluble fibres are made into... REST OF ARTICLE...
</p>

是的，它是丑陋的HTML，它来自一个所见即所得，所以我几乎无法控制它。

我想要做的是在文档中搜索 [READMORE] ，删除所有父标记（在本例中为<font>和<p>标记）和用一个readmore链接替换它们，同时将文档的REST包装在一个巨大的......文章的其余部分......

我很确定HtmlAgilityPack会让我参与其中，但我只想弄清楚从哪里开始。

到目前为止，我很确定我必须使用htmlDoc.DocumentNode.SelectSingleNode(//p[text()="[READMORE]"])或其他东西。我对XPATH不太熟悉。

对于我的文档，readmore可能是也可能不是嵌套的font标记。

此外，在某些情况下，它可能根本不在标签中，而是在文档根目录中。我可以在这种情况下进行常规搜索和替换，它应该很简单。

我理想的情况是这样的（PSEUDOCODE）

var node = SelectNodeContaining("[READMORE]").

node.Replace( "link here" );

node.RestOfDocument().Wrap("<div class='wrapper'");

我知道，我在做梦...但我希望这是有道理的。

Answer 1

以下是XSLT解决方案：

<xsl:stylesheet version="1.0"
 xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
 <xsl:output method="xml" omit-xml-declaration="yes" indent="yes"/>
 <xsl:strip-space elements="*"/>

 <xsl:template match="node()|@*">
  <xsl:copy>
   <xsl:apply-templates select="node()|@*"/>
  </xsl:copy>
 </xsl:template>

 <xsl:template match="p[descendant::text()[. = '[READMORE]']]">
  <a href="#ReadmoreWrapper">READMORE</a>
  <div class="wrapper" id="#ReadmoreWrapper">
   <xsl:apply-templates select="following-sibling::node()" mode="copy"/>
  </div>
 </xsl:template>

 <xsl:template match=
  "node()[ancestor::p[descendant::text()[. = '[READMORE]']]
         or
          preceding::p[descendant::text()[. = '[READMORE]']]
          ]
  "/>

  <xsl:template match="node()|@*" mode="copy">
      <xsl:copy>
       <xsl:apply-templates select="node()|@*" mode="copy"/>
      </xsl:copy>
  </xsl:template>
</xsl:stylesheet>

将此转换应用于以下XML文档：

<html>
<p>
  <font face="Georgia">
    <b>History</b><br/>&#xA0; <br/>Two of the polysaccharides used in the manufacture of...</font>
    <a title="PubMed" href="http://www.www.gov/pubmed/" target="_blank"/>
    <font face="Georgia">) and this web site for new development by...well as Self Affirmed Medical Food GRAS status.&#xA0;
    </font>
</p>

<p>
  <font face="Georgia">[READMORE]</font>
</p>

<p><font face="Georgia"><br/><strong>Proprietary Composition</strong><br/>
   <br/>The method in which soluble fibres are made into... REST OF ARTICLE...
   </font>
</p>

</html>

生成了想要的结果：

<html>
    <p>
        <font face="Georgia"><b>History</b><br/>  <br/>Two of the polysaccharides used in the manufacture of...</font>
        <a title="PubMed" href="http://www.www.gov/pubmed/" target="_blank"/>
        <font face="Georgia">) and this web site for new development by...well as Self Affirmed Medical Food GRAS status. 
    </font>
    </p>
    <a href="#ReadmoreWrapper">READMORE</a>
    <div class="wrapper" id="#ReadmoreWrapper">
        <p>
            <font face="Georgia"><br/><strong>Proprietary Composition</strong><br/><br/>The method in which soluble fibres are made into... REST OF ARTICLE...
   </font>
        </p>
    </div>
</html>

Answer 2

如果我是对的，你可以尝试一件事......就像我们在发送自定义HTML邮件时所做的一样

使用静态内容创建html页面的模板。
附加动态内容的标识符，如您所说[ReadMore]或{ReadmOre}或类似的内容。
现在逐行阅读模板html文件，并用所需文本替换标识符。
现在将整个字符串保存到新的html文件中或执行任何操作。

使用HtmlAgilityPack来分割文档

2 个答案: