Question

有没有人有一个分裂html字符串（来自一个小的mce编辑器）并使用C＃将其拆分为N个部分的例子？

我需要均匀地分割字符串而不分割单词。

我在考虑拆分html并使用HtmlAgilityPack尝试修复损坏的标签。虽然我不确定如何找到分裂点，但理想情况下它应该基于文本而不是html。

有人对如何解决这个问题有任何想法吗？

更新

根据要求，这是输入和所需输出的示例。

INPUT：

<p><strong>Lorem ipsum dolor sit amet, <em>consectetur adipiscing</em></strong> elit.</p>

OUTPUT（当分成3个cols时）：

Part1: <p><strong>Lorem ipsum dolor</strong></p>
Part2: <p><strong>sit amet, <em>consectetur</em></strong></p>
Part3: <p><strong><em>adipiscing</em></strong> elit.</p>

更新2：

我刚刚玩过Tidy HTML，这似乎可以很好地修复损坏的标签，所以如果我能找到一种方法来找到拆分品牌，这可能是个不错的选择？

更新3

使用类似于此Truncate string on whole words in .NET C#的方法，我现在设法获得了构成每个部分的纯文本单词列表。所以，比如使用Tidy HTML我有一个有效的HTML结构用于html，并且给出了这个单词列表，任何人都知道现在最好的分割方法是什么？

更新4

任何人都可以看到使用正则表达式以下列方式使用HTML查找索引的问题：

给定纯文本字符串“sit amet，consectetur”，用正则表达式替换所有空格“（\ s |＆lt;（。| \ n）+？＆gt;）*”，理论上找到任意组合的字符串空间和/或标签

然后我可以使用Tidy HTML修复损坏的html标签吗？

非常感谢

马特

Answer 1

建议的解决方案

伙计，这是我的诅咒！我显然无法摆脱问题而不花费大量时间和无理的时间。

我想到了这个。我想到了HTML Tidy，也许它会起作用，但我无法绕过它。

所以，我写了自己的解决方案。

我在你的输入和我自己拼凑的其他一些输入上测试了这个。它似乎工作得很好。肯定会有漏洞，但它可能会为你提供一个起点。

无论如何，我的方法是：

使用包含有关该单词在HTML文档层次结构中的位置的信息的类，在HTML文档中封装单个单词的概念，直到给定的“top”。我已经在下面的HtmlWord课程中实现了这个。
创建一个能够编写由上述HTML单词组成的单行的类，以便在适当的位置添加start-element和end-element标记。我已经在下面的HtmlLine课程中实现了这个。
编写一些扩展方法，以便直接从HtmlAgilityPack.HtmlNode对象直接访问这些类。我在下面的HtmlHelper课程中实现了这些。

我为这一切而疯狂吗？可能是。但是，你知道，如果你无法弄清楚任何其他方式，你可以尝试一下。

以下是您的示例输入的工作原理：

var document = new HtmlDocument();
document.LoadHtml("<p><strong>Lorem ipsum dolor sit amet, <em>consectetur adipiscing</em></strong> elit.</p>");

var nodeToSplit = document.DocumentNode.SelectSingleNode("p");
var lines = nodeToSplit.SplitIntoLines(3);

foreach (var line in lines)
    Console.WriteLine(line.ToString());

输出：

<p><strong>Lorem ipsum dolor </strong></p>
<p><strong>sit amet, <em>consectetur </em></strong></p>
<p><strong><em>adipiscing </em></strong>elit. </p>

现在代码：

HtmlWord类

using System;
using System.Collections.Generic;
using System.Linq;

using HtmlAgilityPack;

public class HtmlWord {
    public string Text { get; private set; }
    public HtmlNode[] NodeStack { get; private set; }

    // convenience property to display list of ancestors cleanly
    // (for ease of debugging)
    public string NodeList {
        get { return string.Join(", ", NodeStack.Select(n => n.Name).ToArray()); }
    }

    internal HtmlWord(string text, HtmlNode node, HtmlNode top) {
        Text = text;
        NodeStack = GetNodeStack(node, top);
    }

    private static HtmlNode[] GetNodeStack(HtmlNode node, HtmlNode top) {
        var nodes = new Stack<HtmlNode>();

        while (node != null && !node.Equals(top)) {
            nodes.Push(node);
            node = node.ParentNode;
        };

        return nodes.ToArray();
    }
}

HtmlLine类

using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using System.Text;
using System.Xml;

using HtmlAgilityPack;

[Flags()]
public enum NodeChange {
    None = 0,
    Dropped = 1,
    Added = 2
}

public class HtmlLine {
    private List<HtmlWord> _words;
    public IList<HtmlWord> Words {
        get { return _words.AsReadOnly(); }
    }

    public int WordCount {
        get { return _words.Count; }
    }

    public HtmlLine(IEnumerable<HtmlWord> words) {
        _words = new List<HtmlWord>(words);
    }

    private static NodeChange CompareNodeStacks(HtmlWord x, HtmlWord y, out HtmlNode[] droppedNodes, out HtmlNode[] addedNodes) {
        var droppedList = new List<HtmlNode>();
        var addedList = new List<HtmlNode>();

        // traverse x's NodeStack backwards to see which nodes
        // do not include y (and are therefore "finished")
        foreach (var node in x.NodeStack.Reverse()) {
            if (!Array.Exists(y.NodeStack, n => n.Equals(node)))
                droppedList.Add(node);
        }

        // traverse y's NodeStack forwards to see which nodes
        // do not include x (and are therefore "new")
        foreach (var node in y.NodeStack) {
            if (!Array.Exists(x.NodeStack, n => n.Equals(node)))
                addedList.Add(node);
        }

        droppedNodes = droppedList.ToArray();
        addedNodes = addedList.ToArray();

        NodeChange change = NodeChange.None;
        if (droppedNodes.Length > 0)
            change &= NodeChange.Dropped;
        if (addedNodes.Length > 0)
            change &= NodeChange.Added;

        // could maybe use this in some later revision?
        // not worth the effort right now...
        return change;
    }

    public override string ToString() {
        if (WordCount < 1)
            return string.Empty;

        var lineBuilder = new StringBuilder();

        using (var lineWriter = new StringWriter(lineBuilder))
        using (var xmlWriter = new XmlTextWriter(lineWriter)) {
            var firstWord = _words[0];
            foreach (var node in firstWord.NodeStack) {
                xmlWriter.WriteStartElement(node.Name);
                foreach (var attr in node.Attributes)
                    xmlWriter.WriteAttributeString(attr.Name, attr.Value);
            }
            xmlWriter.WriteString(firstWord.Text + " ");

            for (int i = 1; i < WordCount; ++i) {
                var previousWord = _words[i - 1];
                var word = _words[i];

                HtmlNode[] droppedNodes;
                HtmlNode[] addedNodes;

                CompareNodeStacks(
                    previousWord,
                    word,
                    out droppedNodes,
                    out addedNodes
                );

                foreach (var dropped in droppedNodes)
                    xmlWriter.WriteEndElement();
                foreach (var added in addedNodes) {
                    xmlWriter.WriteStartElement(added.Name);
                    foreach (var attr in added.Attributes)
                        xmlWriter.WriteAttributeString(attr.Name, attr.Value);
                }

                xmlWriter.WriteString(word.Text + " ");

                if (i == _words.Count - 1) {
                    foreach (var node in word.NodeStack)
                        xmlWriter.WriteEndElement();
                }
            }
        }

        return lineBuilder.ToString();
    }
}

HtmlHelper静态类

using System;
using System.Collections.Generic;
using System.Linq;

using HtmlAgilityPack;

public static class HtmlHelper {
    public static IList<HtmlLine> SplitIntoLines(this HtmlNode node, int wordsPerLine) {
        var lines = new List<HtmlLine>();

        var words = node.GetWords(node.ParentNode);

        for (int i = 0; i < words.Count; i += wordsPerLine) {
            lines.Add(new HtmlLine(words.Skip(i).Take(wordsPerLine)));
        }

        return lines.AsReadOnly();
    }

    public static IList<HtmlWord> GetWords(this HtmlNode node, HtmlNode top) {
        var words = new List<HtmlWord>();

        if (node.HasChildNodes) {
            foreach (var child in node.ChildNodes)
                words.AddRange(child.GetWords(top));
        } else {
            var textNode = node as HtmlTextNode;
            if (textNode != null && !string.IsNullOrEmpty(textNode.Text)) {
                string[] singleWords = textNode.Text.Split(
                    new string[] {" "},
                    StringSplitOptions.RemoveEmptyEntries
                );
                words.AddRange(
                    singleWords
                        .Select(w => new HtmlWord(w, node.ParentNode, top)
                    )
                );
            }
        }

        return words.AsReadOnly();
    }
}

结论

重申：这是一个综合解决方案;我确定它有问题。我只是把它作为你考虑的起点 - 再次，如果你不能通过其他方式得到你想要的行为。

Answer 2

这个建议只是一个黑客 - 希望有更好的方法。

基本上，你想要获取一大块HTML格式的文本并将其拆分成更小的部分，这些部分仍保留原始字体等。我认为您可以将原始HTML加载到RTF控件或Word对象中，将其拆分为保留格式的片段，然后将这些片段作为单独的HTML输出。

如果它提供了一种使用原始HTML格式信息提取文本的简单方法，也可能有这种方法使用HtmlAgilityPack。

在N个部分中拆分html字符串

2 个答案:

建议的解决方案

HtmlWord类

HtmlLine类

HtmlHelper静态类

结论