web-dev-qa-db-ja.com

Html Agility Packでhtmlからすべてのテキストを取得します

入力

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

出力

foo
bar
baz

知っているhtmldoc.DocumentNode.InnerText、しかしそれはfoobarbazを与える-私は一度にすべてではなく、各テキストを取得したい。

c#html-agility-pack
30
Surajit
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());
    }
}

これはあなたが必要とすることを行いますが、これが最善の方法であるかどうかはわかりません。おそらく、最適なパフォーマンスを得るために、DescendantNodesAndSelf以外のものを反復処理する必要があります。

10
Dyppl

XPATHはあなたの友達です:)

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);
}
56
Simon Mourier
var pageContent = "{html content goes here}";
var pageDoc = new HtmlDocument();
pageDoc.LoadHtml(pageContent);
var pageText = pageDoc.DocumentNode.InnerText;

HTMLコンテンツの指定例：

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

次の出力が生成されます。

foo bar baz
10
Vadim Gremyachev

すべてのテキストを抽出するが、スクリプトとスタイルタグのコンテンツを破棄するソリューションが必要でした。どこにも見つかりませんでしたが、自分のニーズに合った次のものが思い付きました。

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);
9
Kent Munthe Caspersen
public string html2text(string html) {
    HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
    doc.LoadHtml(@"<html><body>" + html + "</body></html>");
    return doc.DocumentNode.SelectSingleNode("//body").InnerText;
}

この回避策は Html Agility Pack に基づいています。 NuGet（パッケージ名：HtmlAgilityPack）からインストールすることもできます。

3
Vito Gentile