如何使用 HtmlAgilityPack 清理 html？答案

【问题标题】：How to sanitize html with HtmlAgilityPack?如何使用 HtmlAgilityPack 清理 html？
【发布时间】：2017-12-21 11:09:11
【问题描述】：

我的网络爬虫遇到问题，基本上我需要在单元格team_a_col home 中获取十进制数：

<th>Med. goal subiti p/p</th>
<td class='team_a_col total'>0.76</td>
<td class='team_a_col home'>0.89
<td class='team_a_col away'>0.62</td></td>

所以结果应该是：0.89

但正如您所见，html 的结构不好，所以我没有得到0.89，而是使用此代码得到team_a_col away 的内容：

node.SelectSingleNode(".//td[@class='team_a_col home']").InnerText.Trim();

我怎样才能只得到 0.89？ </td> 应该在 <team_a_col away.. 之前。

【问题讨论】：

你现在使用的代码是什么？
@rene node.SelectSingleNode(".//td[@class='team_a_col home']").InnerText.Trim();
HtmlAgilityPack 旧且损坏，不如使用AngleSharp。至于格式错误的 HTML，除了尽力而为之外，任何库都无能为力——您可能不得不自己手动处理它。
@IanKemp 我无法更改库

标签： c# html-agility-pack

【解决方案1】：

您应该将HtmlDocument.FixNestedTags 设置为true：

string html = "<th>Med. goal subiti p/p</th><td class='team_a_col total'>0.76</td><td class='team_a_col home'>0.89<td class='team_a_col away'>0.62</td></td>";

var doc = new HtmlAgilityPack.HtmlDocument
{
    OptionFixNestedTags = true,
    OptionCheckSyntax = true,
    OptionAutoCloseOnEnd = true
};
doc.LoadHtml(html);

string tdText = doc.DocumentNode.SelectSingleNode(".//td[@class='team_a_col home']")?.InnerText.Trim();

FixNestedTags 的结果是：0.89

【讨论】：

【解决方案2】：

你可以只取整行然后子字符串并获取数据吗？

var node = doc.DocumentNode.SelectNodes("//htmlelment/htmlelment");

string[] nodeArray = node[0].OuterHtml.Split(' ');

【讨论】：