使用 HTMLAgilityPack 解析 HTML

Question

我尝试使用 HTML Agility Pack 解析以下 HTML。

这是代码返回的整个文件的片段：

<div class="story-body fnt-13 p20-b user-gen">
    <p>text here text here text </p>
    <p>text here text here text text here text here text text here text here text text here text here text </p>
    <div  class="gallery clr bdr aln-c js-no-shadow mod  cld">
        <div>
            <ol>
                <li class="fader-item aln-c ">
                    <div class="imageWrap m10-b">
                       &#8203;<img class="http://www.domain.com/picture.png| " src="http://www.domain.com/picture.png" alt="alt text" />
                    </div>
                    <p class="caption">caption text</p>
                </li>
            </ol>
        </div>
    </div >
    <p>text here text here text text here text here text text here text here text text here text here text </p>
    <p>text here text here text text here text here text text here text here text text here text here text text here text here text </p>
    <p>text here text here text text here text here text text here text here text text here text here text text here text here text </p>
</div>

我使用以下代码获取此代码片段（我知道这很混乱）

string url = "http://www.domain.com/story.html";
var webGet = new HtmlWeb();
var document = webGet.Load(url);

var links = document.DocumentNode
        .Descendants("div")
        .Where(div => div.GetAttributeValue("class", "").Contains("story-body fnt-13 p20-b user-gen")) //
        .SelectMany(div => div.Descendants("p"))
        .ToList();
int cn = links.Count;

HtmlAgilityPack.HtmlNodeCollection tl = document.DocumentNode.SelectNodes("/html[1]/body[1]/div[1]/div[2]/div[1]/div[1]/div[1]/div[2]/div[1]");
foreach (HtmlAgilityPack.HtmlNode node in tl)
{
    textBox1.AppendText(node.InnerText.Trim());
    textBox1.AppendText(System.Environment.NewLine);
}

代码循环遍历每个 p 并（目前）附加它到一个文本框。除了带有类 gallery clr bdr aln-c js-no-shadow mod cld 的 div 标记之外，所有内容都正常工作。这段 HTML 的结果是我得到了 ​ 和标题文本位。

从结果中省略它的最佳方法是什么？

Answer 1

XPATH 是你的朋友。试试这个，忘记那个蹩脚的 xlink 语法:-)

HtmlNodeCollection tl = document.DocumentNode.SelectNodes("//p[not(@*)]");
foreach (HtmlAgilityPack.HtmlNode node in tl)
{
    Console.WriteLine(node.InnerText.Trim());
}

这个表达式将选择所有没有设置任何属性的 P 节点。有关其他示例，请参阅此处：XPath 语法

Answer 2

不太清楚你在问什么。我认为您是在问如何获取特定 div 的直接后代。如果是这种情况，请使用ChildNodes 而不是后代。也就是说：

.SelectMany(div => div.ChildNodes().Where(n => n.Name == "p"))

问题在于“后代”对文档树进行了完全递归遍历。