C#: 使用HtmlAgilityPack提取内部文本

Question

我正在使用HtmlAgilityPack。是否有一行代码可以获取html的所有内部文本，例如删除所有html标签和脚本？

- Yang

Answer 1

像这样：

document.DocumentNode.InnerText

请注意，这将返回 <script> 标签的文本内容。

为了解决这个问题，你可以像这样删除所有的 <script> 标签：

foreach(var script in doc.DocumentNode.Descendants("script").ToArray())
    script.Remove();
foreach(var style in doc.DocumentNode.Descendants("style").ToArray())
    style.Remove();

- SLaks

---

我使用了这段代码来解决我的一个问题。不过我有一个问题，如何在 foreach 循环中执行移除操作？ - Win Coder

@WinCoder：你是什么意思？ - SLaks

我的意思是，使用foreach循环的集合不能被修改。 - Win Coder

@WinCoder：这就是为什么我调用 ToArray() 来在单独的副本上进行迭代的原因。 - SLaks

如果您正在迭代一个单独的副本，那么为什么原始副本会被修改呢？ - Win Coder

Answer 2

我写了一个简单的方法，可能会对你有所帮助。这个方法可以提取所有特定标签的节点。然后你可以使用 HtmlNodeCollection[i].InnerText 来获取它的文本。

    HtmlDocument hDoc;
    HtmlNodeCollection nodeCollection;

    public void InitInstance(string htmlCode) {
        hDoc.LoadHtml(htmlCode);
        nodeCollection = new HtmlNodeCollection();
    }
    private void GetAllNodesInnerTextByTagName(HtmlNode node, string tagName) {
        if (null == node.ChildNodes) {
            return ;
        } else {
            HtmlNodeCollection nCollection = node.SelectNodes( tagName );
            if( null != nCollection ) {
                for( int i=0; i<nCollection.Count; i++) {
                    nodeCollection.Add( nCollection[i]);
                    nCollection[i].Remove();
                }
            }
            nCollection=node.ChildNodes;
            if(null != nCollection) {
                for(int i=0;i<nCollection.Count; i++) {
                    GetAllNodesInnerTextByTagName( nCollection[i] , tagName );
                }
            }
        }

- tsingroo

---

通常，文章的内容总是在<p>标签中。 - tsingroo