Как извлечь текст из довольно нормального HTML?
Моим вопросом является вид подобных этот вопрос, но у меня есть больше ограничений:
- Я знаю, что документ довольно нормален
- они являются очень регулярными (они все произошли из того же источника
- Я хочу приблизительно 99% видимого текста
- приблизительно 99% того, что жизнеспособно вообще, являются текстом (они - более или менее RTF, преобразованный в HTML),
- Я не забочусь о форматировании или даже концах абзаца.
Есть ли, кто-либо оборудует набор, чтобы сделать это, или действительно ли я более обеспечен просто вспыхивающий RegexBuddy и C#?
Я открыт для командной строки или инструментов пакетной обработки, а также библиотек C/C#/D.
3 ответа
Вам необходимо использовать HTML Agility Pack .
Вы, вероятно, хотите найти элемент, используя потомки LINQ Ant вызов , затем получить его Innerntext .
Вы правы, что телефоны, не подвергающиеся тюремному взлому, ограничиваются магазином приложений Apple, и Apple «имеет право» применять любое правило, это совершенно не свободная территория. Однако во время разработки вообще не придется иметь дело с Apple. Можно использовать, например, rsync для загрузки кода на устройство и его тестирования.
-121--1793818-Неявные объекты создаются автоматически и готовы к использованию. С этими объектами нельзя создавать другие переменные с одинаковыми именами.
-121--2275710-Относительно просто, если загрузить HTML в файл C #, а затем с помощью библиотеки mshtml.dll или элемента управления WebBrowser в файле C #/WinForms можно обработать весь HTML-документ как дерево, пройдя дерево, захватывающее объекты IniveText.
Или можно также использовать document.all, который берет дерево, распрямляет его, а затем можно выполнить итерацию по дереву, снова захватывая IniveText.
Вот пример:
WebBrowser webBrowser = new WebBrowser();
webBrowser.Url = new Uri("url_of_file"); //can be remote or local
webBrowser.DocumentCompleted += delegate
{
HtmlElementCollection collection = webBrowser.Document.All;
List<string> contents = new List<string>();
/*
* Adds all inner-text of a tag, including inner-text of sub-tags
* ie. <html><body><a>test</a><b>test 2</b></body></html> would do:
* "test test 2" when collection[i] == <html>
* "test test 2" when collection[i] == <body>
* "test" when collection[i] == <a>
* "test 2" when collection[i] == <b>
*/
for (int i = 0; i < collection.Count; i++)
{
if (!string.IsNullOrEmpty(collection[i].InnerText))
{
contents.Add(collection[i].InnerText);
}
}
/*
* <html><body><a>test</a><b>test 2</b></body></html>
* outputs: test test 2|test test 2|test|test 2
*/
string contentString = string.Join("|", contents.ToArray());
MessageBox.Show(contentString);
};
Надежда, которая помогает!
Здесь вы можете загрузить инструмент и его источник, который преобразует в HTML и XAML: XAML / HTML-преобразователь .
Он содержит анализатор HTML (такая вещь, очевидно, должно быть гораздо более толерантно, чем ваш стандартный анализатор XML), и вы можете пройти HTML, похожее на XML.