如何从 html 字符串（如编号目录）中仅提取标题（即 h2、h3、h4）？

Question

我想从 xhtml 字符串中提取标题标签内的所有内容（即 h1、h2、h3 等），然后在侧边菜单中使用。

xhtml 字符串将有带编号的标题，因此 h2 类似于“1.1 标题”，在其下是带有“1.1.1 标题”和 1.1.2 等的 h3。

<div class="main-body">
    <h2>1.1 Heading</h2>
    <h3>1.1.1 Subheading</h3>
    <p>Lorem ipsum</p>
    <h3>1.1.2 Another Subheading</h3>
    <p>Lorem ipsum</p>

    <h2>2.1 Heading</h2>
    <h3>2.1.1 Subheading</h3>
    <p>Lorem ipsum</p>
    <h4>2.1.1.1 SubSubHeading</h4>
</div>

以上是 html 的示例，所以我想将 parent (h2) 与 children (h3, h4) 组合在一起在 DOM 中找到了一个新的 h2 我想创建一个包含它的新组 "children".

Answer 1

您有两种方法可以检索 <h1> 到 <h6> 标签内的所有文本

所以你的输入 html 是：

string input = @"<div class='main - body'>
                     <h2> 1.1 Heading </h2>     
                     <h3> 1.1.1 Subheading </h3>        
                     <p> Lorem ipsum </ p >           
                     <h3> 1.1.2 Another Subheading</h3>              
                     <p> Lorem ipsum </p>     
                     <h2> 2.1 Heading </h2>
                     <h3> 2.1.1 Subheading </h3>
                     <p> Lorem ipsum </p>
                     <h4> 2.1.1.1 SubSubHeading </h4>
                 </div> ";

1) 通过使用正则表达式：

使用此正则表达式获取标题标记内从 <h1> 到 <h6>

的所有文本

<h[1-6][^>]*?>(?<TagText>.*?)</h[1-6]>

用法：

string pattern = @"<h[1-6][^>]*?>(?<TagText>.*?)</h[1-6]>";

MatchCollection matches = Regex.Matches(input, pattern);

var heading_matches = matches.Cast<Match>().Select(x => x.Groups["TagText"].Value);

忽略h1然后使用

string pattern = @"<h[2-6][^>]*?>(?<TagText>.*?)</h[2-6]>";

2) 通过使用 HtmlAgilityPack:

使用 HtmlAgilityPack 包检索 <h1> 到 <h6>.

中的所有文本

您需要从 NuGet 包管理器控制台安装此包。

Install-Package HtmlAgilityPack -Version 1.8.14

用法：

var htmlDocument = new HtmlDocument();
htmlDocument.LoadHtml(input);

string xpathQuery = "//*[starts-with(name(),'h') and string-length(name()) = 2 and number(substring(name(), 2)) <= 6]";

var texts = htmlDocument.
                DocumentNode
                .SelectNodes(xpathQuery)
                .Select(x => x.InnerText)
                .ToList();

忽略h1然后使用

string xpathQuery = "//*[starts-with(name(),'h') and string-length(name()) = 2 and number(substring(name(), 2)) > 1 and number(substring(name(), 2)) <= 6]";

输出：（来自调试器）

如何从 html 字符串（如编号目录）中仅提取标题（即 h2、h3、h4）？

How to extract only the headings (i.e h2,h3,h4), from a html string like a numbered TOC?

html

c#

xhtml