获取 html 节点内部文本分段？

Question

我正在尝试解析 html 页面，但我遇到了一个问题，即我想要分割节点的内部文本，即在 html 节点子节点上迭代，假设每个文本段都是子节点：

<node1>
This text I WANT on iterate#1
<innernode>This text I WANT on iterate#2</innernode>
This text I WANT on iterate#3
<innernode>This text I WANT on iterate#4</innernode>
This text I WANT on iterate#5
</node1>  

我正在使用htmlagilitypack 作为解析器，但我认为使用任何其他 html 解析器都会遇到这个问题

Answer 1

根据您的 .NET 版本，您可以使用适用于所需节点的扩展方法。 我没有使用过 html 敏捷包，所以这是 C# 和伪代码的混合。

例如

public static List<string> GetTextSegments(this HtmlNode node)
{
    string nodesText = ... // get the nodes text
    yield nodesText;

    List<HtmlNode> innerNodes = ... // get the list of inner nodes with a 
    // query like node.SelectNodes("//innerNodes")
    foreach(HtmlNode iNode in innerNodes)
    {
        string iNodeText = ... // get iNodes text
        yield iNodeText;
    }
}

你可以这样称呼它：

HtmlNode nodeOfTypeNode1 = ... // 
foreach(string text : nodeOfTypeNode1.getTextSegments())
{
    Console.WriteLine(text);
}

Answer 2

要实现您的目标，请将 SelectNodes 与 XPath 结合使用。

HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(content);//content is the variable containing your html.
var items = doc.DocumentNode.SelectNodes("/node1//text()");
foreach (var item in items)
{
    Console.WriteLine(item.OuterHtml.Replace("\r\n",""));
}