InnerText=InnerHtml - 如何使用 HtmlAgilityPack 提取可读文本

Question

我需要从一个非常糟糕的 Html 中提取文本。

我正在尝试使用 vb.net 和 HtmlAgilityPack 来做到这一点

我需要解析的标签有 InnerText = InnerHtml 和两者：

Name:<!--b>&#61;</b--> Albert E<!--span-->instein  s<!--i>&#89;</i-->ection: 3 room: -

在调试时，我可以使用“Html 查看器”阅读它：它显示：

Name: Albert Einstein section: 3 room: -

我怎样才能把它变成一个字符串变量？

编辑：

我使用这段代码来获取节点：

Dim ElePs As HtmlNodeCollection = _
    mWPage.DocumentNode.SelectNodes("//div[@id='div_main']//p")
For Each EleP As HtmlNode In ElePs
    'Here I need to get EleP.InnerText "normalized"
Next

Answer 1

如果你注意到这个混乱实际上只是 html cmets，它们应该被忽略，所以只需获取文本并使用 string.Join 就足够了：

C#

var text = string.Join("",htmlDoc.DocumentNode.SelectNodes("//text()[normalize-space()]").
                                            Select(t=>t.InnerText));

VB.net

 Dim text = String.Join("", From t In htmlDoc.DocumentNode.SelectNodes("//text()[normalize-space()]")
                                   Select t.InnerText)

html是有效的，没什么不好的，它只是一个没有灵魂的人写的。

根据您的更新，应该这样做：

Dim ElePs As HtmlNodeCollection = mWPage.DocumentNode.SelectNodes("//div[@id='div_main']//p")
For Each EleP As HtmlNode In ElePs
    'Here I need to get EleP.InnerText "normalized"
     Dim text = String.Join("", From t In EleP.SelectNodes(".//text()[normalize-space()]")
                Select t.InnerText).Trim()
Next

注意.//，这意味着它将寻找当前节点的后代节点，而//总是从顶部节点开始。