有没有一种方法可以获取所有文本，同时使用 HTMLAgilityPack 一次性保留链接单词的链接？

Question

我有一些混合了文本和链接的 html，我想提取文本与链接的单词一样，而不必删除链接，然后做一些疯狂的事情将其放回同一个地方。

HTML 如下所示：

<div id="i want what is inside here">
<h3>some text</h3>
<div>more text with a <a href="url">link</a></div>
<p>some more text<br />
<a href="url">another link</a> here...</p>
</div>

而我想要的输出是：

some text
more text with a <a href="url">link</a>
some more text
<a href="url">another link</a> here...

我知道如何使用 HTMLAgilityPack 提取文本最近我学到了很多关于如何使用祖先的新东西，在 xpath 和其他一些东西上的前面，这让我想知道：

是否可以使用 xpath 来获得上述所需的输出，或者我该怎么做？

如果没有可用的 xpath 条件，我正在考虑提取文本，然后提取链接并用链接替换文本上的链接内部文本匹配项（我认为不可靠）但这是我认为的一种方式那是可以做到的，你建议我怎么做？

Answer 1

XPath，即 XML 路径语言，是一种用于选择节点的查询语言 来自 XML 文档。

您需要根据您的规则转换您的文档。您可以使用 xpath 选择应转换的节点，但不能使用 xpath 执行此转换。

为此，您可以从最深到根节点遍历文档节点，如果这不是 <a> 标记，则将其替换为它的内部 HTML。

幸运的是，AgilityPack 似乎按照在文档中找到的节点的顺序枚举节点。这意味着可以通过反转节点列表来检索必要的顺序。见：

// getting the non-anchor nodes in the reversed order
var nodes = doc.DocumentNode.SelectNodes("//*[name()!='a']")
    .Reverse()
    .ToList();

// replacing with the inner html
foreach (var node in nodes)
{
    var replacement = doc.CreateTextNode(node.InnerHtml);
    node.ParentNode.ReplaceChild(replacement, node);
}

// and getting the output
var output = doc.DocumentNode.OuterHtml;

这会让你得到这样的东西：

some text
more text with a <a href='url'>link</a>
some more text
<a href='url'>another link</a> here...

但请注意，在转换之后，文档变成了整个文本节点。如果您需要将其作为 HTML 片段使用，则必须从修改后的文档中创建一个新文档。