Question

我有一些测试html页面

<!DOCTYPE html>
<html lang="en" xmlns="http://www.w3.org/1999/xhtml">
<head>
    <meta charset="utf-8" />
    <title>Page for test</title>
</head>
<body>
    <div class="r_tr">
        <span class="r_rs">Inner text<span class="otherSpan" style="display: none">text</span></span>
    </div>
</body>
</html>

我想得到“内心文字”。我正在使用HtmlAgilityPack。我写这个方法

public string GetInnerTextFromSpan(HtmlDocument doc)
{
    const string rowXPath = "//*[@class=\"r_tr\"]";
    const string spanXPath = "//*[@class=\"r_rs\"]";
    string text = null;
    HtmlNodeCollection rows = doc.DocumentNode.SelectNodes(rowXPath);
    foreach(HtmlNode row in rows)
    {
        text = row.SelectSingleNode(spanXPath).InnerText;
        Console.WriteLine("textL {0}", text);
    }
    return text;

}

但此方法返回“Inner texttext”。我写了一些单元测试来解释我的问题

[Test]
public void TestGetInnerTextFromSpan()
{
    var client = new PromtTranslatorClient();
    var doc = new HtmlDocument();
    doc.Load(@"testPage.html");
    var text = client.GetInnerTextFromSpan(doc);
    StringAssert.AreEqualIgnoringCase("Inner text", text);
}

和结果

Expected string length 10 but was 14. Strings differ at index 10.
  Expected: "Inner text", ignoring case
  But was:  "Inner texttext"
  ---------------------^

Answer 1

我不知道XPath，但这里是使用LINQ的解决方案：

String inner = (from x in doc.DocumentNode.Descendants()
                where x.Name == "span"
                && x.Attributes["class"].Value == "r_rs"
                select 
                      (from y in x.ChildNodes
                       where y.Name == "#text"
                       select y.InnerText).FirstOrDefault()
                ).FirstOrDefault();

Answer 2

首先，您的spanXPath不正确。 //在开始时表示“从根开始”，因此row.SelectSingleNode(spanXPath)将始终在文档中为第一个元素提供类r_rs，而不是在行中。删除//以解决此问题。

然后，text()是文本节点的XPath。你可以使用

var span = row.SelectSingleNode(spanXPath);
var textNode = span.SelectSingleNode("text()");
text = textNode.InnerText;
Console.WriteLine("textL {0}", text);

在foreach循环中

获取所选范围内的第一个文本节点。

如何从包含其他隐藏跨度的跨度获取内部文本？

2 个答案: