Question

需要HTML Agility Pack的帮助！

基本上我想用HTML的正文节点抓取纯文本。到目前为止，我已经在vb.net中尝试了这个并且它无法返回innertext的含义没有看到变化，至少从我能看到的变化。

Dim htmldoc As HtmlDocument = New HtmlDocument
htmldoc.LoadHtml(html)

Dim paragraph As HtmlNodeCollection = htmldoc.DocumentNode.SelectNodes("//body")

If Not htmldoc Is Nothing Then
   For Each node In paragraph
       node.ParentNode.RemoveChild(node, True)
   Next
End If

Return htmldoc.DocumentNode.WriteContentTo

我试过这个：

Return htmldoc.DocumentNode.InnerText

但仍然没有运气！

任何建议???

Answer 1

怎么样：

Return htmldoc.DocumentNode.SelectSingleNode("//body").InnerText

Answer 2

如果您没有表格，Jeff的解决方案是可以的，因为表格中的文本像cell1cell2cell3一样粘着。为避免此问题，请使用以下代码（C＃示例）：

var words = doc.DocumentNode?.SelectNodes("//body//text()")?.Select(x => x.InnerText);
return words != null ? string.Join(" ", words) : String.Empty;

使用Html Agility Pack从HTML BODY节点提取内部文本

2 个答案: