Comment puis-je extraire du texte à partir de l'html

J'ai une exigence pour extraire tout le texte qui est présent dans le <body> de l'html. Exemple de code Html d'entrée :-

<html>
    <title>title</title>
    <body>
           <h1> This is a big title.</h1>
           How are doing you?
           <h3> I am fine </h3>
           <img src="abc.jpg"/>
    </body>
</html>

La sortie doit être :-

This is a big title. How are doing you? I am fine

Je veux utiliser uniquement HtmlAgility à cette fin. Aucune des expressions régulières s'il vous plaît.

Je sais comment charger HtmlDocument, puis à l'aide de xquery comme "//corps", on peut obtenir le contenu du corps. Mais comment puis-je bande le html comme je l'ai montré dans la production?

Merci d'avance 🙂

  • Voir cette question pour le code HTML Agility Pack liens. Je suppose que vous avez d'appeler quelque chose comme InnerText bien sur la HtmlNode.
InformationsquelleAutor TCM | 2011-05-01
  1. 5

    Vous pouvez utiliser le corps de l' InnerText:

    string html = @"
<html>
    <title>title</title>
    <body>
           <h1> This is a big title.</h1>
           How are doing you?
           <h3> I am fine </h3>
           <img src=""abc.jpg""/>
    </body>
</html>";

HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(html);
string text = doc.DocumentNode.SelectSingleNode("//body").InnerText;

    Ensuite, vous souhaiterez peut-être réduire les espaces et les nouvelles lignes:

    text = Regex.Replace(text, @"\s+", " ").Trim();

    Noter, cependant, que, bien qu'il travaille dans ce cas, le balisage tels que hello<br>world ou hello<i>world</i> sera converti par InnerText à helloworld - de supprimer les balises. Il est difficile de résoudre cette question, comme d'affichage est souvent déterminée par le CSS, pas seulement par le balisage.

    • Note htat "/html/body" de xpath est beaucoup plus rapide.
    • Elle donne l'erreur. Impossible de trouver de l'espace de noms pour HtmlDocument .
    • Avez-vous de la Html Agility Pack de la bibliothèque?
    • Non, dois-je ajouter qu'il flirte?
    InformationsquelleAutor Kobi
  2. 3

    Comment sur l'utilisation de l'expression XPath '//body//text()' pour sélectionner tous les nœuds de texte?

    InformationsquelleAutor chiborg
  3. 1

    Normalement pour l'analyse de html, je recommanderais un analyseur HTML, cependant, si vous souhaitez supprimer toutes les balises html d'un simple regex devrait fonctionner.

    InformationsquelleAutor TheLukeMcCarthy
  4. 1

    Vous pouvez utiliser NUglify qui prend en charge l'extraction du texte de HTML:

    var result = Uglify.HtmlToText("<div>  <p>This is <em>   a text    </em></p>   </div>");
Console.WriteLine(result.Code);   //prints: This is a text

    Que c'est à l'aide d'un HTML5 personnalisé de l'analyseur, il devrait être assez robuste (spécialement si le document ne contient pas d'erreurs) et est très rapide (pas de regexp en cause, mais une pure descente récursive de l'analyseur, plus rapide que HtmlAgilityPack et plus de GC amical)

    • Il semble être à l'aide de HtmlAgilityPack sous le capot, comme suggéré par le a accepté de répondre.
    • non, NUglify n'est pas à l'aide de HtmlAgilityPack, il a son propre HTML5 personnalisé de l'analyseur.
    • Désolé, vous avez raison. Je l'ai vu dans le projet, mais il est là uniquement pour des fins d'analyse comparative.
    InformationsquelleAutor xoofx