InnerText=InnerHtml - 如何使用 HtmlAgilityPack 提取可读文本

Posted 2023-02-21

【中文标题】InnerText=InnerHtml - 如何使用 HtmlAgilityPack 提取可读文本

【英文标题】：InnerText=InnerHtml - How to extract readable text with HtmlAgilityPack

【发布时间】：2016-06-15 03:08:03

【问题描述】：

我需要从一个非常糟糕的 html 中提取文本。

我正在尝试使用 vb.net 和 HtmlAgilityPack 来做到这一点

我需要解析的标签有 InnerText = InnerHtml 和两者：

Name:<!--b>&#61;</b--> Albert E<!--span-->instein  s<!--i>&#89;</i-->ection: 3 room: -

在调试时，我可以使用“Html 查看器”阅读它：它显示：

Name: Albert Einstein section: 3 room: -

我怎样才能把它变成一个字符串变量？

编辑：

我使用这段代码来获取节点：

Dim ElePs As HtmlNodeCollection = _
    mWPage.DocumentNode.SelectNodes("//div[@id='div_main']//p")
For Each EleP As HtmlNode In ElePs
    'Here I need to get EleP.InnerText "normalized"
Next

【问题讨论】：

你可以试试这个吗？ ***.com/questions/3442394/… 我不知道这是否适用于糟糕的 html...尝试

你需要发布更多我认为的 html - 从表面上看并没有那么糟糕

@Mr.Developer 你能再解释一下吗？我理解逻辑，但我需要更多的帮助来尝试它。提前致谢

我在 stavkover 上尝试了另一个问题...尝试解决方案..如果也可以在错误的 html 上工作

这会删除所有标签...还有坏标签...试试***.com/questions/8692423/…

【参考方案1】：

如果你注意到这个混乱实际上只是 html cmets，它们应该被忽略，所以只需获取文本并使用 string.Join 就足够了：

C#

var text = string.Join("",htmlDoc.DocumentNode.SelectNodes("//text()[normalize-space()]").
                                            Select(t=>t.InnerText));

VB.net

 Dim text = String.Join("", From t In htmlDoc.DocumentNode.SelectNodes("//text()[normalize-space()]")
                                   Select t.InnerText)

html是有效的，没什么不好的，它只是一个没有灵魂的人写的。

根据您的更新，应该这样做：

Dim ElePs As HtmlNodeCollection = mWPage.DocumentNode.SelectNodes("//div[@id='div_main']//p")
For Each EleP As HtmlNode In ElePs
    'Here I need to get EleP.InnerText "normalized"
     Dim text = String.Join("", From t In EleP.SelectNodes(".//text()[normalize-space()]")
                Select t.InnerText).Trim()
Next

注意.//，这意味着它将寻找当前节点的后代节点，而//总是从顶部节点开始。

【讨论】：

感谢您的回答，但我无法使其适应我的代码。我更新了我的问题以显示如何获得提取 InnerText 所需的 Html 元素。您能否根据我的代码调整您的答案？