0

Пример HTML

<p class="left_margin"> 5)  
<img src="https://sait.ru/formula/svg/8b/8b847cfae498e96e3fa08a56cb42b838.svg" class="tex" style="vertical-align:0pt" />
    blablabla
</p>

Как после парсинга с помощью HtmlAgilityPack получить нечто подобное:

5) https://sait.ru/formula/svg/8b/8b847cfae498e96e3fa08a56cb42b838.svg blablabla

Т.е. последовательно получить текст, ссылку на картинку, текст последовательно.

2
  • ссылка на картинку будет хранится в виде текста(base64) среди прочего текста.
    – Yaroslav
    18 янв 2019 в 6:45
  • да, именно в виде текста и хочу, но не могу реализовать. Либо только текст, либо вместе с ссылкой, но в виде HTML кода
    – Alex
    18 янв 2019 в 6:53

2 ответа 2

1

Для начала, закроем тег: заменим <p> на </p>.

В показанном html внутри тега p содержатся три узла: текстовый, img, текстовый.
Тег img, в свою очередь, сам содержит несколько атрибутов и текстовый узел.

Соответственно, теперь, вооружившись этими знаниями, мы можем получить текстовые узлы и значение атрибута вложенного узла.

var html = @"
<p class='left_margin'> 5)  
<img src='https://sait.ru/formula/svg/8b/8b847cfae498e96e3fa08a56cb42b838.svg' class='tex' style='vertical-align:0pt' />
    blablabla
</p>
";

var doc = new HtmlDocument();
doc.LoadHtml(html);

var p = doc.DocumentNode.SelectSingleNode("//p");

var textNodes = p.SelectNodes("text()")
    .Select(n => n.InnerText.Trim())
    .ToList();

var src = p.SelectSingleNode("img").Attributes["src"].Value;

Console.WriteLine(textNodes[0]); // 5)
Console.WriteLine(textNodes[1]); // blablabla
Console.WriteLine(src); // https://sait.ru/formula/svg/8b/8b847cfae498e96e3fa08a56cb42b838.svg

Вместо xpath, можно отфильтровать текстовые узлы с помощью linq:

var textNodes = p.ChildNodes
    .Where(n => n.NodeType == HtmlNodeType.Text)
    .Select(n => n.InnerText.Trim())
    .ToList();

Если нужно получить значения именно в том порядке, как они расположены, то:

var nodes = p.ChildNodes
    .Select(n => n.NodeType == HtmlNodeType.Text ? n.InnerText.Trim() : n.Attributes["src"].Value);

Ну и соединить их:

string result = string.Join(" ", nodes);

Или вопрос в том и заключался, что тег p не закрыт и парсер даёт сбой на его получении?

5
  • HTML представлен как есть, т.е. внутри <p> текст потом <img> потом текст и только после этого тег <p> закрывается.
    – Alex
    18 янв 2019 в 8:49
  • У вас тег p не закрывается. Там идёт начало следующего тега. В этом и проблема? 18 янв 2019 в 8:51
  • Закрывается, опечатка :(
    – Alex
    18 янв 2019 в 8:53
  • только это ж не универсально... А если попадется с другой структурой нода? 18 янв 2019 в 9:49
  • 1
    @Andrew - в конце универсальный пример: извлекаются текстовые узлы и атрибуты src, количество и порядок которых не важен. 18 янв 2019 в 10:35
0

Сначала неправильно понял задание. Задача не такая тривиальная как мне показалось на первый взгляд.

В даном случае тебе нужно вытянуть InnerHTML родительской ноды, а потом уже убрать лишние тэги через регуларное выражение. Напрямую при помощи HTMLAgrillityPack-а ты такого результата вряд ли добьешся.

Хотя, можешь посмотреть в сторону .NextSibling -- может что-то придумаешь. Я просто давно пользовался библиотекой. Сходу могу и ошибится..


Я тут так подумал, а ты можешь вытягнуть сначала значение атрибута src, а потом заменить ноду с картинкой на текст с даного src. Попробуй реализовать, думаю что получится.

А потом вытягнуть .InnerText.

5
  • Разве там нету CSS селекторов? Тупо берем все тэги img. Далее берем значения из атрибутов и все. По идее, такая возможность есть в AngleSharp=> любой уважающий себя парсер должен иметь это.
    – iluxa1810
    18 янв 2019 в 7:20
  • @iluxa1810 я сначала тоже так задание понял) Здесь не линку из атрибута нужно достать, а текст ДО имеджа, атрибут имеджа, и текст после имеджа 18 янв 2019 в 7:21
  • Именно, вся соль в том, чтобы оставить атрибут src тега img именно в том месте, где он находится, а не просто отдельно получить текст и ссылку на картинку
    – Alex
    18 янв 2019 в 7:23
  • @Alex я тут один костыль придумал, опробуй 18 янв 2019 в 7:28
  • Решение не изящное, но на первый взгляд работоспособно.
    – Alex
    18 янв 2019 в 7:31

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.