在 C# 中解析 HTML 部分

Question

我需要从 HTML 字符串中解析部分。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>

解析报价部分应该返回：

<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] 中的内容，但由于这些部分是使用所见即所得编辑器输入的，因此部分标签本身会被包裹在一个段落标签中，所以解析结果为：

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

我目前使用的正则表达式是：

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

在解析这些部分之前，我还做了一些额外的清理工作：

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;
}

谁能提供一个正则表达式来实现我正在寻找的东西，或者我是否在浪费时间尝试使用正则表达式来做到这一点？我看到了对 Html Agility Pack 的引用——这样的东西会更好吗？

[更新]

感谢 Oscar，我使用了 HTML Agility 包和 Regex 的组合来解析这些部分。它仍然需要一些改进，但它几乎就在那里。

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

换一个怎么样

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

与

[section=quote]

和

<p>[/section]</p>

与

[/section]

作为清理工作的一部分。然后你可以使用你现有的正则表达式。

Answer 2

以下工作，使用HtmlAgilityPack 库：

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. 没有<p>...</p>，您可以将n.OuterHtml 替换为n.InnerHtml。

当然，您应该检查doc.DocumentNode.SelectNodes("//p") 是否为null。
如果你想从在线资源而不是文件加载 html，你可以这样做：

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

编辑：

如果[section=quote] 和[/section] 可以在任何标签内（并非总是<p>），您可以将doc.DocumentNode.SelectNodes("//p") 替换为doc.DocumentNode.SelectNodes("//*")。