使用html Agility Pack从Html抓取所有文本
使用html Agility Pack从Html抓取所有文本
提问于 2010-11-15 16:25:46
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，但它会提供foobarbaz -我想要获取每个文本，而不是一次获取所有文本。
回答 5
Stack Overflow用户
回答已采纳
发布于 2010-11-15 17:15:11
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好的方法。也许您应该遍历DescendantNodesAndSelf以外的其他内容以获得最佳性能。
Stack Overflow用户
发布于 2010-11-21 17:50:20
XPATH是您的朋友:)
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);
}Stack Overflow用户
发布于 2014-09-25 00:20:18
我需要一种解决方案，可以提取所有文本，但丢弃脚本和样式标记的内容。我在任何地方都找不到它，但我想出了以下适合我自己需要的：
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);页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/4182594
复制相关文章
相似问题
腾讯云开发者
