Question

我正在开发一个程序，它将HTML文本转换为可以放在数据库中的文章。

html看起来像这样：

<HTML>
    <div class="article" code="article-0001" title="title">
        <p>blablabla</p>
        <p>blablablablablabblablablablablablablablabla</p>
        <p>blablablablablablablablablabla</p>
        <p></p>
        <p>blablablablablablablablablblablablablablablablablablablablablablablablablabla</p>
        <p></p>
        <p>blablablablablablablablablablablablablabla</p>
        <p></p>
    </div>
    <div class="article" code="article-0002" title="title2">
        <p>blablabla</p>
        <p>blablablablablabblablablablablablablablabla</p>
        <p>blablablablablablablablablabla</p>
        <p></p>
        <p>blablablablablablablablablblablablablablablablablablablablablablablablablabla</p>
        <p></p>
        <p>blablablablablablablablablablablablablabla</p>
        <p></p>
    </div>
</HTML>

我知道如何读出<div>标记内的属性。我想读出div标签的开始和结束之间的所有信息。

div标签之间的文本是HTML组成的文本，我想存储在我的数据库中。这意味着必须阅读其中的所有HTML标记（例如您在下面看到的<p>＆amp; </p>）。

我怎样才能在VB.net中阅读所有这些文字目前我正在使用Xdocument＆amp; Xelement结合了linq，但我无法弄清楚如何做到这一点。

Answer 1

System.Xml.XmlDocument使这很容易，如果你想在没有HTML标记的div标签里面的文本使用.InnerText，即

Dim doc = New System.Xml.XmlDocument()
doc.LoadXml(xml)
Dim divs = doc.FirstChild.ChildNodes
For Each div As System.Xml.XmlNode In divs
    Console.WriteLine(div.InnerText)
Next

如果要保留标记，请使用.InnerXml，即：

Dim doc = New System.Xml.XmlDocument()
doc.LoadXml(xml)
Dim divs = doc.FirstChild.ChildNodes
For Each div As System.Xml.XmlNode In divs
    Console.WriteLine(div.InnerXml.ToString())
Next

Answer 2

我有幸用HTML Agility Pack操纵html。您也可以在nuget上找到它。

使用Xdocument和Xelement的一个潜在问题是html通常不一定是xml。

HTML两个<div>标签之间的所有文本vb.net </div>

2 个答案: