使用 Html Agility Pack 从 HTML BODY 节点中提取内部文本

Posted 2023-03-05

【中文标题】使用 Html Agility Pack 从 HTML BODY 节点中提取内部文本

【英文标题】：Extracting Inner text from HTML BODY node with Html Agility Pack

【发布时间】：2011-10-14 16:40:49

【问题描述】：

在 html Agility Pack 方面需要一些帮助！

基本上我想用 HTML 的 body 节点抓取 plain-text。 到目前为止，我已经在 vb.net 中尝试过，但它无法返回内部文本含义 没有看到任何变化，至少从我所看到的来看。

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

但还是没有运气！

有什么建议吗？？？

【问题讨论】：

Grab all text from html with Html Agility Pack 的可能重复项

【参考方案1】：

怎么样：

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

【讨论】：

嗨，Jeff，我之前也尝试过，但是返回的数据包含很多不需要的字符，例如 &、、 以及大量的 html 标记和脚本标记。行距就在窗外:) 也许我可以使用正则表达式来解决这个问题。但我想更专注于 Html Agility Pack

除了清除不受欢迎的 html 之外，您对此无能为力。 InnerText 包括您在文档中看到的不属于该元素的所有内容。这包括空格、脚本节点中的代码等。如果您的目标是让文本看起来像在 Web 浏览器中呈现的那样，那么您不会以这种方式获得它。

嗯，我明白你的意思。也许我对内部文本和明文感到困惑。主要目的是取回干净的文本或解析的 HTML，其中包含主要文本内容。请告诉我如何解决这个问题。

说实话，我真的不知道。我要做的是在浏览器中加载它并从屏幕（不是源）获取文本。以编程方式执行此操作完全不同。

其实我的意思是一个真正的浏览器（IE、FF、Chrome 等）。虽然我认为WebBrowser 控件可以帮助您解决这个问题，但我不知道该怎么做。

【参考方案2】：

如果您没有表格，Jeff 的解决方案还可以，因为表格中的文本会像 cell1cell2cell3 一样粘在一起。 为防止出现此问题，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;