HtmlAgilityPack 如何在某些标签之间提取 html

Question

我需要从一个 html 中提取所有段落以及该标签之间的所有文本。

当解析为 HtmlDocument 的文本与原始文本发生变化时，此代码不起作用。在示例中

some <br />text

更改于

some <br>text

是：

string s = "<p>firt paragraph</p>some <br />text<p>another paragraph</p><span>some text between span</span><p>hellow word</p>";
        HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
        doc.LoadHtml(s);
var nodes = doc.DocumentNode.SelectNodes("//p");
int lastPos = -1;
foreach (HtmlAgilityPack.HtmlNode n in nodes)
{
  if (lastPos > -1)
  {
      string textNotInP = Doc.DocumentNode.OuterHtml.Substring(lastPos, n.StreamPosition - lastPos);
                System.Diagnostics.Debug.WriteLine(textNotInP);
 }
 System.Diagnostics.Debug.WriteLine(n.OuterHtml);
 lastPos = n.StreamPosition + n.OuterHtml.Length;
}

正确的结果是：

<p>firt paragraph</p>
some <br>text
<p>second paragraph</p>
<span>some text between span</span>
<p>third paragraph</p>

但是上面的代码return是这样的：

<p>firt paragraph</p>
some <br>text<p
<p>second paragraph</p>
pan>some text between span</span><p
<p>third paragraph</p>

原因是steamPosition return与原文相关的节点位置，而不是htmlDocument.

中的那个parserd

有没有办法return一个节点的位置与解析后的html相关？

Answer 1

您可以使用每个 <p> 元素的 OuterHtml 属性来获得所需的 HTML :

string s = "<p>firt paragraph</p>some <br />text<p>another paragraph</p><span>some text between span</span><p>hellow word</p>";
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(s);
var nodes = doc.DocumentNode.SelectNodes("//p");
foreach (var item in nodes)
{
    Console.WriteLine(item.OuterHtml);
}

输出：

<p>firt paragraph</p>
<p>another paragraph</p>
<p>hellow word</p>

或者，如果您想要获取第一个 <p> 和最后一个 <p> 元素之间的所有内容，您可以使用以下 XPath：

var query = "//node()[preceding-sibling::p or self::p][following-sibling::p or self::p]";

XPath 抓取所有节点（元素或文本节点）：具有前同级 p 和后同级 p，或者节点本身是 p 元素。

var nodes = doc.DocumentNode.SelectNodes(query);
foreach (var item in nodes)
{
    Console.WriteLine(item.OuterHtml);
}

输出：

<p>firt paragraph</p>
some
<br />
text
<p>another paragraph</p>
<span>some text between span</span>
<p>hellow word</p>

HtmlAgilityPack 如何在某些标签之间提取 html

HtmlAgilityPack how to extract html between some tag

c#

html-agility-pack