根据兄弟属性选择节点 - HtmlAgilityPack - C#答案

【问题标题】：Select node based on sibling properties - HtmlAgilityPack - C#根据兄弟属性选择节点 - HtmlAgilityPack - C#
【发布时间】：2013-07-28 21:00:26
【问题描述】：

我有一个结构如下的 HTML 文档

<ul class="beverageFacts">
<li>
    <span>Vintage</span> 
    <strong>2007&nbsp;</strong>
</li>
<li>
    <span>ABV</span> 
    <strong>13,0&nbsp;%</strong>
</li>
<li>
    <span>Sugar</span> 
    <strong>5&nbsp;gram/liter</strong>
</li>

我需要将<strong>-tag 的值解析为对应的string，具体取决于<span>-tag 的值。

我有以下几点：

String vintage;
String sugar;
String abv;

到目前为止，我正在循环遍历 beverageFacts-node 的每个子节点，检查值以将其解析为正确的对应 string。到目前为止，我获得“Vintage”值的代码如下，尽管结果始终是null。

HtmlNodeCollection childNodes = bevFactNode.ChildNodes;
foreach (HtmlNode subNode in childNodes)
{
    if (subNode.InnerText.TrimStart() == "Vintage")
        vintage = subNode.NextSibling.InnerText.Trim();
}

我认为我对节点的选择不正确，但我不知道如何以最有效的方式正确执行。

有没有简单的方法来实现这一点？

编辑 2013-07-29

我已尝试使用以下代码删除 cmets 中 enricoariel 建议的空格

        HtmlAgilityPack.HtmlDocument page = new HtmlWeb().Load("http://www.systembolaget.se/" + articleID);

        string cleanDoc = Regex.Replace(page.DocumentNode.OuterHtml, @"\s*(?<capture><(?<markUp>\w+)>.*<\/\k<markUp>>)\s*", "${capture}", RegexOptions.Singleline);

        HtmlDocument cleanPage = new HtmlDocument();
        cleanPage.LoadHtml(cleanDoc);

结果还是

 String vintage = null;

【问题讨论】：

问题是 nextSibling 是一个空格。如果你去掉标签之间的所有空白，你会得到正确的结果。在这里查看我的问题：stackoverflow.com/questions/17785682/…
我看不出你的问题对我有什么帮助。如果兄弟是空格，那么我的复古字符串不会也设置为“”而不是 null 吗？
删除空格，您会发现它会起作用：
- Vintage2007
现在开始工作了！你是对的，有空格，我的清理方法不起作用！我将发布一个显示我的解决方案的答案！

标签： c# html-parsing html-agility-pack

【解决方案1】：

查看 HTML 标记，我意识到我没有深入到节点中。此外，正如 enricoariel 指出的那样，有些空格我没有正确清理。通过跳过作为空格的兄弟姐妹，而是跳转到以下内容，我得到了正确的结果。

        foreach (HtmlNode bevFactNode in bevFactsNodes)
        {
            HtmlNodeCollection childNodes = bevFactNode.ChildNodes;
            foreach (HtmlNode node in childNodes)
            {
                foreach(HtmlNode subNode in node.ChildNodes)
                {
                    if (subNode.InnerText.Trim() == "Årgång")
                        vintage = HttpUtility.HtmlDecode(subNode.NextSibling.NextSibling.InnerText.Trim());
                }
            }
        }
        Console.WriteLine("Vintage: " + vintage);

会输出

Vintage: 2007

我对 HTML 进行了解码以获得正确格式的结果。

经验教训！

【讨论】：

【解决方案2】：

总结一下，我认为最好的解决方案是在检索 nextSibling 值之前使用正则表达式去除所有空格：

    string myHtml =
    @"
    <ul class='beverageFacts'>
    <li>
        <span>Vintage</span> 
        <strong>2007&nbsp;</strong>
    </li>
    <li>
        <span>ABV</span> 
        <strong>13,0&nbsp;%</strong>
    </li>
    <li>
        <span>Sugar</span> 
        <strong>5&nbsp;gram/liter</strong>
    </li>";
    //Remove space after and before tag
myHtml = Regex.Replace(myHtml, @"\s+<", "<", RegexOptions.Multiline | RegexOptions.Compiled);
myHtml = Regex.Replace(myHtml, @">\s+", "> ", RegexOptions.Compiled | RegexOptions.Multiline);

HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(myHtml.Replace("/r", "").Replace("/n", "").Replace("/r/n", "").Replace("  ", ""));
doc.OptionFixNestedTags = true;

HtmlNodeCollection vals = doc.DocumentNode.SelectNodes("//ul[@class='beverageFacts']//span");

var myNodeContent = string.Empty;
foreach (HtmlNode val in vals)
{
    if (val.InnerText == "Vintage")
    {
        myNodeContent = val.NextSibling.InnerText;
    }
}

return myNodeContent;

【讨论】：