获取网页的静态文本内容答案

【问题标题】：Get the static text contents of a web page获取网页的静态文本内容
【发布时间】：2009-10-31 19:15:58
【问题描述】：

我的网站中有一个搜索栏，用于搜索网站中包含特定关键字的所有页面。这是通过查询索引服务器目录来实现的。

我的问题如下，假设我搜索“ASP.NET”这个词，我说 3 个页面包含“ASP.NET”的出现。

我想显示找到关键字“ASP.NET”的行（以便用户获得上下文信息）。

【问题讨论】：

标签： c# asp.net indexing

【解决方案1】：

尝试解析文档，找到搜索词的出现，然后提取周围的文本。这可以通过在同一个标签中获取所有文本来完成，或者在同一个句子中获取所有文本。您可以使用正则表达式来做到这一点。

哪种效果最好取决于您的需求和内容的结构。您还可以包含周围的句子，以达到提取文本的最小长度。

这里有一个例子，试图在这个问题中提取包含“问题”这个词的句子。它绝不是完美的，但它说明了这个概念，应该让你开始：

using System;
using System.Net;
using System.Text.RegularExpressions;
class Program
{
    private const string url =
        "http://stackoverflow.com/questions/1655313/get-the-static-text-contents-of-a-web-page";
    private const string keyword = "question";

    private const string regexTemplate = ">([^<>]*?{0}[^<>]*?)<";
    static void Main(string[] args)
    {
        WebClient client = new WebClient();
        string html = client.DownloadString(url);
        Regex regex = new Regex(string.Format(regexTemplate,keyword) , RegexOptions.IgnoreCase);
        var matches = regex.Matches(html);
        foreach (Match match in matches)
            Console.WriteLine(match.Groups[1].Value);
    }
}

【讨论】：

【解决方案2】：

使用 System.Xml.Linq 将页面读入 XDocument。使用 linq 查询 XDocument 中的文本，然后返回 XElement 并进一步询问该元素。

【讨论】：

嗨迈克！谢谢回复。但对不起，我忘了准确地说我使用的是 .net 2.0 并且我没有 LINQ 支持！不使用LINQ有什么办法吗？
如果网页是有效的 XHTML，这将非常有用。否则，尝试将它们读取为 XML 将导致异常。
如果你不会使用 LINQ，那么 XmlDocument 会帮助你。