Question

输入

<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>

输出

foo
bar
baz

我知道htmldoc.DocumentNode.InnerText，但它会给foobarbaz - 我希望每次都能得到每个文字。

Answer 1

XPATH是你的朋友：）

HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(@"<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>");

foreach(HtmlNode node in doc.DocumentNode.SelectNodes("//text()"))
{
    Console.WriteLine("text=" + node.InnerText);
}

Answer 2

var root = doc.DocumentNode;
var sb = new StringBuilder();
foreach (var node in root.DescendantNodesAndSelf())
{
    if (!node.HasChildNodes)
    {
        string text = node.InnerText;
        if (!string.IsNullOrEmpty(text))
            sb.AppendLine(text.Trim());
    }
}

这可以满足您的需求，但我不确定这是否是最佳方式。也许你应该迭代DescendantNodesAndSelf之外的其他东西以获得最佳性能。

Answer 3

var pageContent = "{html content goes here}";
var pageDoc = new HtmlDocument();
pageDoc.LoadHtml(pageContent);
var pageText = pageDoc.DocumentNode.InnerText;

html内容的指定示例：

<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>

将产生以下输出：

foo bar baz

Answer 4

我需要一个提取所有文本的解决方案，但会丢弃脚本和样式标记的内容。我无法在任何地方找到它，但我提出了以下适合我自己的需求：

StringBuilder sb = new StringBuilder();
IEnumerable<HtmlNode> nodes = doc.DocumentNode.Descendants().Where( n => 
    n.NodeType == HtmlNodeType.Text &&
    n.ParentNode.Name != "script" &&
    n.ParentNode.Name != "style");
foreach (HtmlNode node in nodes) {
    Console.WriteLine(node.InnerText);

Answer 5

public string html2text(string html) {
    HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
    doc.LoadHtml(@"<html><body>" + html + "</body></html>");
    return doc.DocumentNode.SelectSingleNode("//body").InnerText;
}

此解决方法基于Html Agility Pack。您也可以通过NuGet（包名：HtmlAgilityPack）安装它。

Answer 6

https://github.com/jamietre/CsQuery

您尝试过CsQuery吗？尽管没有得到积极维护，但仍然是将HTML解析为文本的最爱。这是从HTML中获取文本的简单程度的一线曙光。

var text = CQ.CreateDocument(htmlText).Text();

这是一个完整的控制台应用程序：

using System;
using CsQuery;

public class Program
{
    public static void Main()
    {
        var html = "<div><h1>Hello World <p> some text inside h1 tag under p tag </p> </h1></div>";
        var text = CQ.CreateDocument(html).Text();
        Console.WriteLine(text); // Output: Hello World  some text inside h1 tag under p tag

    }
}

我了解OP仅要求提供HtmlAgilityPack，但是CsQuery是另一个不受欢迎的问题，也是我发现的最佳解决方案之一，如果有人觉得有帮助，我想与他人分享。干杯！

使用Html Agility Pack从html中获取所有文本

6 个答案: