使用 HTML AgilityPack 通过断线解析 HTML答案

【问题标题】：Parse HTML by breaklines using HTML AgilityPack使用 HTML AgilityPack 通过断线解析 HTML
【发布时间】：2013-11-01 03:55:17
【问题描述】：

我正在尝试解析一个特定的 HTML 字符串，以便我可以提取一组由<br/> 换行符分隔的行。输入 HTML 如下所示：

<div class="PlainText">
  DATE: 2013-10-28 20:00:43 -0500 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  Item 1: Text1 <br/>
  <br/> //Notice this has two break lines, i would like to stop after seeing two consecutive break lines.
</div>

在更大的 html 文档中使用这个 div，我可以得到HTML ChildNodes

List<HtmlNode> nodes = htmlDoc.DocumentNode
                                    .Descendants("div")
                                    .Where(x => x.Attributes.Contains("class") &&
                                            x.Attributes["class"].Value.Contains("PlainText")).ToList();

我不完全确定从这里去哪里，我想阅读所有文本，直到我看到两条断线并停止？

编辑

我在 Visual Studio 运行时检查器中查看了 childNodes nodes 并注意到实际上没有两个连续的 <br/> 行，而是一个断行和一个 #text 标记，其 innerHTMl 为 \n 一个新行特点。

【问题讨论】：

真的吗？我看到两个 br 标签使用您发布的相同示例
输入 HTML 有两个 br 标签，但正如您从屏幕截图中看到的，以及我在调试 nodes 返回的内容时检查得到的结果，它们之间有一个 #text 标签和一个 InnerHtml只读取一个换行符。
你关心换行吗？您的问题仅涉及 br 标签。如果换行有问题，您可以在其上使用字符串修剪
不，我不关心换行符，我想我会提到它，因为从技术上讲，它不是两个 br 紧挨着的标签，而是它们之间的换行符
HtmlAgility 包将换行符视为文本字段的一部分（因为换行符只是文本，它们不是标签），所以它们真的没有区别

标签： c# parsing html-agility-pack

【解决方案1】：

您可以使用 XPath //div[@class='PlainText'] 来获取所需的 div 节点。您还可以在从 div 获取子节点时检查下一个兄弟节点：

HtmlDocument doc = new HtmlDocument();
doc.Load("index.html");
Func<HtmlNode, bool> notTwoBrakes = 
    n => (n.Name != "br" || n.NextSibling != null && n.NextSibling.Name != "br");
var nodes = doc.DocumentNode.SelectNodes("//div[@class='PlainText']")
               .Select(div => div.ChildNodes.TakeWhile(notTwoBrakes));

我不使用内联 lambda 只是为了便于阅读。条件是这样的：

检查下一个节点是否为null，如果为null，则取当前节点
检查下一个节点是否为br节点，如果不是-取当前节点
检查当前节点是否为br节点，如果不是-取当前节点
否则停止获取子节点

结果：

【讨论】：

在第二次br 和#text 之后，我仍然可以通过您的notTwoBrakes 支票找回一切？
@Warz 刚刚验证，一切正常。也许您还有其他一些条件可以停止读取数据。发现双中断后，我的查询停止读取每个 div 中的节点。您可以在调试器屏幕截图中看到它

【解决方案2】：

这样的东西应该可以工作

[Test]
public void Test()
{
    var x = ReadTillTwoBr(GetDivClass()).ToList();
}

public HtmlNode GetDivClass()
{
    var html = @"<html><div class=""PlainText"">
            DATE: 2013-10-28 20:00:43 -0500 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            Item 1: Text1 <br/>
            <br   /> //Notice this has two break lines, i would like to stop after seeing two consecutive break lines.
            Item 3
        </div></html>";
    var doc = new HtmlDocument();
    doc.LoadHtml(html);

    return doc.DocumentNode
                .Descendants("div").First(x => x.Attributes.Contains("class") &&
                                                x.Attributes["class"].Value.Contains("PlainText"));

}

public IEnumerable<string> ReadTillTwoBr(HtmlNode node)
{
    var nonEmptyNodes =
        node.ChildNodes.Except(node.ChildNodes.Where(f => f.Name == "#text" && String.IsNullOrWhiteSpace(f.InnerHtml)))
            .ToList();

    foreach (var n in nonEmptyNodes)
    {
        if (IsBr(n) && IsBr(n.NextSibling))
        {
            yield break;
        }

        if (n.Name == "#text")
        {
            yield return n.InnerText.Trim();
        }
    }
}

public bool IsBr(HtmlNode n)
{
    return n != null && n.NodeType == HtmlNodeType.Element && n.Name == "br";
}

注意在两个 br 之后它没有返回评论

编辑：

我删除了空的 #text 值，因为当你在最后两个 br 标记之间有一个换行符时，你实际上会得到一个带有换行符的 #text 标记。我认为这就是换行混乱所在。

【讨论】：

不确定谁投了反对票，但我可以在这里使用一些相同的想法来检查只有 \n 换行符的元素 #text
在那里，我对其进行了更新，以便它读取所有#text，直到找到两个连续的 br/ 标签。
@Warz 这有帮助吗？还是我误解了你的要求？
是的，它有帮助，我现在正在运行我的测试，以查看您提到的文本标签是否可以忽略不计，并且在您的 isBr 运行时被忽略。顺便谢谢
我一无所获，我已经修改了几次脚本。 yield break 永远不会发生并返回所有子节点