使用 htmlagilitypack 提取文本和图像答案

【问题标题】：Extract both text and image using htmlagilitypack使用 htmlagilitypack 提取文本和图像
【发布时间】：2012-07-19 12:27:20
【问题描述】：

我正在从网页中提取内容。在网页中，电话号码和电子邮件 ID 等信息存储在图像中。我想提取图像以及该表中的文本。在输出字符串中，我希望输出与带有图像和文本的网页中显示的方式相同。

以下是网页内容。

<table>
<tr>
   <td>text</td>
   <td><img src="" /></td>
</tr>
<tr>
   <td>text</td>
   <td><img src="" /></td>
</tr>
<tr>
   <td>text</td>
   <td><img src="" /></td>
</tr>
</table>

我可以像这样提取文本和图像吗：

文字图片

文字图片

文字图片

【问题讨论】：

标签： c# html c#-4.0 html-parsing

【解决方案1】：

HtmlDocument doc = new HtmlDocument();
doc.Load("file.htm");
HtmlNode imgNode = doc.DocumentElement.selectSingleNode("/table/tr/td/img");

//Just get Images only
foreach (HtmlNode img in doc.DocumentElement.SelectNodes("//img"))
{
  string imgSrc = img.Attributes["src"].Value;
}

//get td's and ignore img in it
foreach (HtmlNode td in doc.DocumentElement.SelectNodes("//td"))
{
  HtmlNode img = td.ChildNodes["img"];
  if(img == null)
  {
    string tdText = td.InnerText;
  }
}

//Get Images that have style attribute
foreach (HtmlNode img in doc.DocumentElement.SelectNodes("//img[@style]"))
{
  string style = img.Attributes["style"].Value.ToLower();
  style = style.Replace("background:url('", "");
  style = style.Replace("')", "");
 //now you have the image url from the background

}

【讨论】：

谢谢你，HatSoft。 DocumentElement 在我的代码中支持。我尝试使用 DocumentNode。我还有一个问题，如何提取 img 标签的背景图像并存储在我的系统中。
@user1516690 我可以给你xpath来提取包含背景的样式属性：等，但如果你他们没有图像文件扩展名
HatSoft，这就是我面临的问题。我怎样才能得到这个网址中的图像。这可以从url获取图像吗？这是我从网页中提取 html 内容时得到的。
@user1516690 我可以为您获取网址，此网址返回图像内容，因此您必须以这种方式使用该网址

【解决方案2】：

试试这个

foreach (HtmlNode img in root.SelectNodes("//img"))
{
    string att = img.Attributes["src"].Value;
    anchorTags.Add(att);
}

【讨论】：