在 C# 中解析 HTML 部分

Question

我需要解析 HTML 字符串中的部分。例如：

<p>Lorem ipsum dolor sit amet, consectetur adipiscing elit.</p>
<p>[section=quote]</p>
<p>Mauris at turpis nec dolor bibendum sollicitudin ac quis neque.</p>
<p>[/section]</p>

解析引用部分应返回：

<p>Mauris at turpis nec dolor bibendum sollicitudin ac quis neque.</p>

目前我正在使用正则表达式来获取 [section=quote]...[/section] 内的内容，但由于这些部分是使用所见即所得编辑器输入的，因此部分标记它们本身被包裹在段落标记中，因此解析的结果是：

</p>
<p>Mauris at turpis nec dolor bibendum sollicitudin ac quis neque.</p>
<p>

我当前使用的正则表达式是：

\[section=(.+?)\](.+?)\[/section\]

在解析这些部分之前我还在做一些额外的清理：

protected string CleanHtml(string input) {
    // remove whitespace
    input = Regex.Replace(input, @"\s*(<[^>]+>)\s*", "$1", RegexOptions.Singleline);
    // remove empty p elements
    input = Regex.Replace(input, @"<p\s*/>|<p>\s*</p>", string.Empty);
    return input;
}

任何人都可以提供可以实现我的目的的正则表达式正在寻找或者我正在浪费时间尝试使用正则表达式来做到这一点？我已经看到对 Html Agility Pack 的引用 - 对于这样的事情来说这会更好吗？

[更新]

感谢 Oscar，我结合使用了 HTML Agility pack 和 Regex 来解析这些部分。它还需要一些改进，但已经接近完成了。

public void ParseSections(string content)
{
    this.SourceContent = content;
    this.NonSectionedContent = content;

    content = CleanHtml(content);

    if (!sectionRegex.IsMatch(content))
        return;

    var doc = new HtmlDocument();
    doc.LoadHtml(content);

    bool flag = false;
    string sectionName = string.Empty;
    var sectionContent = new StringBuilder();
    var unsectioned = new StringBuilder();

    foreach (var n in doc.DocumentNode.SelectNodes("//p")) {               
        if (startSectionRegex.IsMatch(n.InnerText)) { 
            flag = true;
            sectionName = startSectionRegex.Match(n.InnerText).Groups[1].Value.ToLowerInvariant();
            continue;
        }
        if (endSectionRegex.IsMatch(n.InnerText)) {
            flag = false;
            this.Sections.Add(sectionName, sectionContent.ToString());
            sectionContent.Clear();
            continue;
        }

        if (flag)
            sectionContent.Append(n.OuterHtml);
        else
            unsectioned.Append(n.OuterHtml);
    }

    this.NonSectionedContent = unsectioned.ToString();
}

Answer 1

使用 HtmlAgilityPack 库可以实现以下效果：

using HtmlAgilityPack;

...

HtmlDocument doc = new HtmlDocument();
doc.Load(@"C:\file.html");


bool flag = false;
var sb = new StringBuilder();
foreach (var n in doc.DocumentNode.SelectNodes("//p"))
{
    switch (n.InnerText)
    {
        case "[section=quote]":
            flag = true;
            continue;
        case "[/section]":
            flag = false;
            break;
    }
    if (flag)
    {
        sb.AppendLine(n.OuterHtml);
    }
}

Console.Write(sb);
Console.ReadLine();

如果您只想打印
Mauris at turpis nec dolor bibendum sollicitudin ac quis neque。如果没有

...

，您可以替换n.OuterHtml代码>由n.InnerHtml。

当然，您应该检查 doc.DocumentNode.SelectNodes("//p") 是否为 null。
如果您想从在线源而不是文件加载 html，您可以执行以下操作：

var htmlWeb = new HtmlWeb();  
var doc = htmlWeb.Load("http://..../page.html");

编辑：

如果 [section=quote] 是 [/section] 可以位于任何标签内（并不总是

），您可以将 doc.DocumentNode.SelectNodes("//p") 替换为 doc.DocumentNode.SelectNodes("//*")。

Answer 2

怎么样

<p>[section=quote]</p>

替换为

[section=quote]

和

<p>[/section]</p>

with

[/section]

作为清理工作的一部分， ？然后您可以使用现有的正则表达式。