Question

使用全文搜索的搜索程序（这意味着：很难在程序外重现匹配）返回突出显示内部匹配字符串的行，如：

"i have been <em>match</em>ed"
"a <em>match</em> will happen in the word <em>match</em>"
"some random words including the word <em>match</em> here"

现在我需要获取字符串的前x个字符，但我在里面的html标签遇到了一些麻烦。

像：

"i have been <em>mat</em>..." -> first 15 characters
"a <em>match</em> will happen in the word <em>m</em>..." -> first 33 characters
"some rando..." -> first 10 characters

我尝试过使用其他的东西，但我最终得到了一个大意大利面。

任何提示？

Answer 1

我建议编写一个包含几个州的简单解析器 - InText，InOpeningTag，InClosingTag是我想到的一些。

只需遍历字符，找出你是InText，只计算那些字符......一旦达到极限，不要再添加任何文字，如果你在开始和结束标签之间，只需添加结束标记。

如果您不知道我在说什么，请查看HTML Agility Pack的源代码（查找Parse方法）。

Answer 2

这应该可以根据<em>标签执行您想要的操作。

using System;
using System.Collections.Generic;
using System.Text;

namespace Test
{
    public class Program
    {
        public static void Main(string[] args)
        {
            var dbResults = GetMatches();
            var firstLine = HtmlSubstring(dbResults[0], 0, 15);
            Console.WriteLine(firstLine);
            var secondLine = HtmlSubstring(dbResults[1], 0, 33);
            Console.WriteLine(secondLine);
            var thirdLine = HtmlSubstring(dbResults[2], 0, 10);
            Console.WriteLine(thirdLine);

            Console.Read();
        }

        private static List<string> GetMatches()
        {
            return new List<string>
            {
                "i have been <em>match</em>ed"
                ,"a <em>match</em> will happen in the word <em>match</em>"
                , "some random words including the word <em>match</em> here"
            };
        }

        private static string HtmlSubstring(string mainString, int start, int length = int.MaxValue)
        {
            StringBuilder substringResult = new StringBuilder(mainString.Replace("</em>", "").Replace("<em>", "").Substring(start, length));

            // Get indexes between start and (start + length) that need highlighting.
            int matchIndex = mainString.IndexOf("<em>", start);
            while (matchIndex > 0 && matchIndex < (substringResult.Length - start))
            {
                int matchIndexConverted = matchIndex - start;
                int matchEndIndex = mainString.IndexOf("</em>", matchIndex) - start;

                substringResult.Insert(matchIndexConverted, "<em>");
                substringResult.Insert(Math.Min(substringResult.Length, matchEndIndex), "</em>");

                matchIndex = mainString.IndexOf("<em>", matchIndex + 1);
            }

            return substringResult.ToString();
        }
    }
}

得到一个保留html标签的子字符串

2 个答案: