Question

我正在尝试从HTML文档中获取文本的简单任务。所以我正在使用HTMLdoc.DocumentNode.InnerText。问题是，在某些网站上，当它们位于不同的标签中时，不要在单词之间放置空格。在这些情况下，DocumentNode.InnerText将这些单词连接成一个，它就变得毫无用处。

例如，我正在尝试阅读包含该行的网站

<span>İstanbul</span><ul><li><a href="i1.htm">Adana</a></li>

我得到了“İstanbulAdana”，这是毫无意义的。

我在HTMLAgilityPack文档或Google

中找不到任何解决方案

我错过了什么吗？

谢谢，

Answer 1

这应该很容易做到。

const string html = @"<span>İstanbul</span><ul><li><a href=""i1.htm"">Adana</a></li>";
var doc = new HtmlDocument();
doc.LoadHtml(html);
string result = string.Join(" ", doc.DocumentNode.Descendants()
  .Where(n => !n.HasChildNodes && !string.IsNullOrWhiteSpace(n.InnerText))
  .Select(n => n.InnerText));
Console.WriteLine(result); // prints "İstanbul Adana"

Answer 2

嗯，代码片段为此示例挂起：

const string html = @"<td><font size=""2"">abc </font><font size=""2"">(</font><font size=""2"">abc</font><font size=""2"">) </font><a href=""?query=abc"">abc</a>, abc<br><font size=""2"">abc </font>abc, <a href=""?query=abc"">abc</a>, abc, <a href=""?query=abc"">abc</a><br><font size=""2"">abc </font>abc abc, abc abc<br></td>";

如果没有join-clause，它就不会挂起（但它也没有正确放置空格）。

使用InnerText时，阻止HTMLAgilityPack连接单词

2 个答案: