4

我想知道是否可以使用 AngleSharp 从 HTMLDocument 中提取格式化文本。我正在使用以下代码来提取文本。我遇到的问题是提取的文本一起运行，每个元素之间没有中断。

var parser = new HtmlParser();
var document = parser.Parse("<script>var x = 1;</script> <h1>Some example source</h1><p>This is a paragraph element</p>");
var text = document.Body.Text();

这将返回以下文本

一些示例来源这是一个段落元素

理想情况下，我希望它返回 一些示例源 这是一个段落元素 ，其中每个节点文本值之间存在一些分隔。

4

1 回答 1

5

我知道我迟到了，但迟到总比没有好（我也希望其他人能从这个答案中受益）。

对这个问题的评论都是正确的。一方面，我们有 W3C 规范和文档的来源，它告诉我们（官方）序列化中不会有任何空间，另一方面，我们有一个很常见的情况，可以在适用时“整合”一些空间（或者甚至可能是换行符，例如，如果<br>看到一个元素）。

正在编写的库不知道您的特定用例（即，当您想要插入空格时）。但是，它可以帮助您更轻松地达到您想要的状态。

从 DOM 到字符串的序列化是通过实现IMarkupFormatter. 任何 DOM 节点的ToHtml()方法都接受这样的对象来返回一个字符串。做一个

var myFormatter = new MyMarkupFormatter();
var text = document.Body.ToHtml(myFormatter);

现在问题简化为适用于我们的 MyMarkupFormatter 的实现。然而，这个格式化程序基本上只会产生文本节点，但某些标签会被不同地处理（即，返回一些文本，例如空格）。

public class MyMarkupFormatter : IMarkupFormatter
{
    String IMarkupFormatter.Comment(IComment comment)
    {
        return String.Empty;
    }

    String IMarkupFormatter.Doctype(IDocumentType doctype)
    {
        return String.Empty;
    }

    String IMarkupFormatter.Processing(IProcessingInstruction processing)
    {
        return String.Empty;
    }

    String IMarkupFormatter.Text(ICharacterData text)
    {
        return text.Data;
    }

    String IMarkupFormatter.OpenTag(IElement element, Boolean selfClosing)
    {
        switch (element.LocalName)
        {
            case "p":
                return "\n\n";
            case "br":
                return "\n";
            case "span":
                return " ";
        }

        return String.Empty;
    }

    String IMarkupFormatter.CloseTag(IElement element, Boolean selfClosing)
    {
        return String.Empty;
    }

    String IMarkupFormatter.Attribute(IAttr attr)
    {
        return String.Empty;
    }
}

如果剥离所有非文本信息不是您需要的，那么 AngleSharp 还提供PrettyMarkupFormatter开箱即用的功能 - 也许这已经非常接近您想要的（“更漂亮”的标记格式化程序）。

希望这可以帮助！

于 2017-12-12T22:20:05.323 回答