Question

我想从xhtml字符串中提取标题标签（即h1，h2，h3等）中的所有内容，然后在侧面菜单中使用。

xhtml字符串将带有编号的标题，因此h2类似于“ 1.1 Heading”，在其下的h3则具有“ 1.1.1 Heading”和1.1.2，依此类推。

<div class="main-body">
    <h2>1.1 Heading</h2>
    <h3>1.1.1 Subheading</h3>
    <p>Lorem ipsum</p>
    <h3>1.1.2 Another Subheading</h3>
    <p>Lorem ipsum</p>

    <h2>2.1 Heading</h2>
    <h3>2.1.1 Subheading</h3>
    <p>Lorem ipsum</p>
    <h4>2.1.1.1 SubSubHeading</h4>
</div>

以上是html外观的一个示例，因此我想将其父级（h2）与子级（h3，h4）组合在一起，当在DOM中找到新的h2时，我想创建一个新的包含“孩子”的组。

Answer 1

您可以通过两种方式将<h1>内的所有文本检索到<h6>标签

因此，您输入的html是：

string input = @"<div class='main - body'>
                     <h2> 1.1 Heading </h2>     
                     <h3> 1.1.1 Subheading </h3>        
                     <p> Lorem ipsum </ p >           
                     <h3> 1.1.2 Another Subheading</h3>              
                     <p> Lorem ipsum </p>     
                     <h2> 2.1 Heading </h2>
                     <h3> 2.1.1 Subheading </h3>
                     <p> Lorem ipsum </p>
                     <h4> 2.1.1.1 SubSubHeading </h4>
                 </div> ";

1）使用正则表达式：

使用此正则表达式将标题标签内的所有文本从<h1>移至<h6>

<h[1-6][^>]*?>(?<TagText>.*?)</h[1-6]>

用法：

string pattern = @"<h[1-6][^>]*?>(?<TagText>.*?)</h[1-6]>";

MatchCollection matches = Regex.Matches(input, pattern);

var heading_matches = matches.Cast<Match>().Select(x => x.Groups["TagText"].Value);

要忽略h1，然后使用

string pattern = @"<h[2-6][^>]*?>(?<TagText>.*?)</h[2-6]>";

2）通过使用HtmlAgilityPack：

使用HtmlAgilityPack包检索<h1>至<h6>中的所有文本。

您需要从NuGet软件包管理器控制台安装此软件包。

Install-Package HtmlAgilityPack -Version 1.8.14

用法：

var htmlDocument = new HtmlDocument();
htmlDocument.LoadHtml(input);

string xpathQuery = "//*[starts-with(name(),'h') and string-length(name()) = 2 and number(substring(name(), 2)) <= 6]";

var texts = htmlDocument.
                DocumentNode
                .SelectNodes(xpathQuery)
                .Select(x => x.InnerText)
                .ToList();

要忽略h1，然后使用

string xpathQuery = "//*[starts-with(name(),'h') and string-length(name()) = 2 and number(substring(name(), 2)) > 1 and number(substring(name(), 2)) <= 6]";

输出：（来自调试器）

如何从HTML字符串（如编号TOC）仅提取标题（即h2，h3，h4）？

1 个答案: