entradaGrab todo el texto de HTML con HTML agilidad Paquete
<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>
salida
foo
bar
baz
Sé de htmldoc.DocumentNode.InnerText, pero daré foobarbaz - Quiero llegar cada texto, no todos a una hora.
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());
}
}
Esto hace lo que necesita, pero no estoy seguro de si esta es la mejor manera. Tal vez deberías iterar a través de algo que no sea DescendantNodesAndSelf para un rendimiento óptimo.
XPath es su amigo :)
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);
}
yo estaba en la necesidad de una solución que extrae todo el texto, pero descarta el contenido de las etiquetas de secuencia de comandos y de estilo. No podía encontrar en cualquier lugar, pero se le ocurrió la siguiente que se adapte a mis necesidades:
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);
var pageContent = "{html content goes here}";
var pageDoc = new HtmlDocument();
pageDoc.LoadHtml(pageContent);
var pageText = pageDoc.DocumentNode.InnerText;
El ejemplo específico para el contenido HTML:
<html><body><p>foo <a href='http://www.example.com'>bar</a> baz</p></body></html>
producirá el siguiente resultado:
foo bar baz
public string html2text(string html) {
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(@"<html><body>" + html + "</body></html>");
return doc.DocumentNode.SelectSingleNode("//body").InnerText;
}
Este trabajo alrededor se basa en Html Agility Pack. También puede instalarlo a través de NuGet (nombre del paquete: HtmlAgilityPack).
Esto funcionó de maravilla para mí. Todo lo que arrojé, incluso fragmentos de html horribles generados por un viejo CMS. – Chris