使用 Html Agility Pack 在两个 HTML 标记之间获取内容

Question

我们在 Word 中创建了一个绝对庞大的帮助文档，它被用来生成一个更大且笨拙的 HTM 文档。使用 C# 和这个库，我只想在我的应用程序的任何位置抓取并显示这个文件的一部分。部分是这样划分的：

<!--logical section starts here -->
<div>
<h1><span style='mso-spacerun:yes'></span><a name="_Toc325456104">Section A</a></h1>
</div>
 <div> Lots of unnecessary markup for simple formatting... </div>
 .....
<!--logical section ends here -->

<div>
<h1><span style='mso-spacerun:yes'></span><a name="_Toc325456104">Section B</a></h1>
</div>

从逻辑上讲，H1 在a 标记中有一个部分名称。我想从包含 div 的外部选择所有内容，直到遇到另一个 h1 并排除该 div。

• 每个部分名称位于h1 下的<a> 标记中，该标记有多个子项（每个大约6 个）
• 逻辑部分用 cmets 标记
• 实际文档中不存在这些 cmets

我的尝试：

var startNode = helpDocument.DocumentNode.SelectSingleNode("//h1/a[contains(., '"+sectionName+"')]");
//go up one level from the a node to the h1 element
startNode=startNode.ParentNode;

//get the start index as the index of the div containing the h1 element
int startNodeIndex = startNode.ParentNode.ChildNodes.IndexOf(startNode);

//here I am not sure how to get the endNode location. 
var endNode =?;

int endNodeIndex = endNode.ParentNode.ChildNodes.IndexOf(endNode);

//select everything from the start index to the end index
var nodes = startNode.ParentNode.ChildNodes.Where((n, index) => index >= startNodeIndex && index <= endNodeIndex).Select(n => n);

Sine 我无法找到这方面的文档，我不知道如何从我的起始节点到下一个 h1 元素。任何建议将不胜感激。

Answer 1

我认为这可以做到，尽管它假设 H1 标签只出现在章节标题中。如果不是这种情况，您可以在后代上添加 Where 以检查它找到的任何 H1 节点上的其他过滤器。请注意，这将包括它找到的 div 的所有兄弟姐妹，直到找到具有部分名称的下一个。

private List<HtmlNode> GetSection(HtmlDocument helpDocument, string SectionName)
{
    HtmlNode startNode = helpDocument.DocumentNode.Descendants("div").Where(d => d.InnerText.Equals(SectionName, StringComparison.InvariantCultureIgnoreCase)).FirstOrDefault();
    if (startNode == null)
        return null; // section not found

    List<HtmlNode> section = new List<HtmlNode>();
    HtmlNode sibling = startNode.NextSibling;
    while (sibling != null && sibling.Descendants("h1").Count() <= 0)
    {
        section.Add(sibling);
        sibling = sibling.NextSibling;
    }

    return section;
}

Answer 2

那么，您真正想要的结果是 h1-Tag 周围的 div 吗？ 如果是，那么这应该可以。

helpDocument.DocumentNode.SelectSingleNode("//h1/a[contains(@name, '"+sectionName+"')]/ancestor::div");

也适用于SelectNodes，具体取决于您的 Html。 像这样：

helpDocument.DocumentNode.SelectNodes("//h1/a[starts-with(@name,'_Toc')]/ancestor::div");

哦，在测试这个时，我注意到不适合我的是 contains 方法中的点，一旦我将它更改为 name 属性，一切正常。