1

我正在解析许多 HTML 文档，并且在每个文档中都需要尝试提取一个英国邮政地址。为此，我使用 AngleSharp 解析 HTML，然后查找与我的 RegEx 匹配的 TextContent 节点：

var parser = new HtmlParser();
var source =  "<html><head><title>Test Title</title></head><body><h1>Some example source</h1><p>This is a paragraph element and example postode EC1A 4NP</body></html>";
var document = parser.Parse(source);
Regex searchTerm = new Regex("([A-PR-UWYZ][A-HK-Y0-9][AEHMNPRTVXY0-9]?[ABEHMNPRVWXY0-9]? {1,2}[0-9][ABD-HJLN-UW-Z]{2}|GIR 0AA)");
var list = document.All.Where(m => searchTerm.IsMatch((m.TextContent ?? "").ToUpper()));

这将返回 3 个结果、html和body元素p。我要返回的唯一元素是 p 元素，因为它的 innerText 与正则表达式正确匹配。一个页面上可能还有多个匹配项，所以我不能只返回最后一个结果。我希望只返回该元素中的文本（不在任何子节点中）与正则表达式匹配的任何元素。

编辑

我事先不知道文档结构，甚至不知道邮政编码所在的标签，这就是我使用正则表达式的原因。一旦我得到结果，我计划遍历 dom 以获取地址的其余部分，所以我不只是想将 doc 视为字符串

4

3 回答 3

0

好吧，我最后采取了不同的方法。我使用 RegEx 将 HTML 文档作为字符串进行搜索，而不是解析 HTML，而只是为了找到完全匹配的值。一旦我有了这个值，使用 xpath 表达式返回节点就足够简单了。在上面的示例中，正则表达式搜索返回 EC1A 4NP 和以下 XPATH：

//*[contains(text(),'EC1A 4NP')]

返回所需的节点。为了简化 XPath，我从 AngleSharp 切换到 HtmlAgilityPack 进行 HTML 解析

于 2016-01-27T15:44:47.963 回答
0

我已经快速浏览了解析器的文档。如果您只想检查<p>标签中的文本，则需要执行以下操作。

var list = document.All.Where(m => m.LocalName.ToUpper() == "P" && searchTerm.IsMatch((m.TextContent ?? "").ToUpper()));

于 2016-01-27T01:22:18.200 回答
0

如果您希望在格式良好的 HTML/XML 文档中提取特定节点，请查看使用 XPath。MSDN上有一些例子

您可以使用诸如HTML Tidy之类的实用程序库来“清理” html 并使其格式良好（如果还没有的话）。

于 2016-01-27T00:45:54.513 回答