如何从页面的html源中提取页面上可见的文本
本文关键字:文本 提取 html | 更新日期: 2023-09-27 18:23:38
我尝试了HtmlAgilityPack和以下代码,但它不能从html列表中捕获文本:
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(htmlStr);
HtmlNode node = doc.DocumentNode;
return node.InnerText;
以下是失败的代码:
<as html>
<p>This line is picked up <b>correctly</b>. List items hasn't...</p>
<p><ul>
<li>List Item 1</li>
<li>List Item 2</li>
<li>List Item 3</li>
<li>List Item 4</li>
</ul></p>
</as html>
因为您需要遍历树并以某种方式连接所有节点的InnerText
以下代码适用于我:
string StripHTML(string htmlStr)
{
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(htmlStr);
var root = doc.DocumentNode;
string s = "";
foreach (var node in root.DescendantNodesAndSelf())
{
if (!node.HasChildNodes)
{
string text = node.InnerText;
if (!string.IsNullOrEmpty(text))
s += text.Trim() + " ";
}
}
return s.Trim();
}