问题标签 [anglesharp]

使用AngleSharp加载 HTML 页面并等待下载所有样式表（如果需要）并且所有脚本都准备好执行解析器，我这样做

AsyncContext 是AsyncEx库的一部分。

如果没有 AsyncEx 库，是否可以做同样的事情？

使用 HtmlAgilityPack，我这样做

关于如何使用 AngleSharp 和 CSS 选择器执行此操作的任何想法？

使用 AngleSharp 处理一些 HTML 并提取元素的文本内容以供以后挖掘，我遇到了 AngleSharp 去除 HTML 标签的方式的问题。例如，我有一段类似这样的 HTML（减去换行符和制表符）：

这里的问题是当我得到TextContent：

它会像这样出来：

单词action和Typical被拼凑在一起，没有任何空格（因为它们之间唯一的东西是html标签）。这阻碍了我对文本内容进行标记的努力，因为action.Typical它被视为一个单词而不是两个单词。

当然，我可以只运行搜索和替换（可能使用正则表达式）之类的东西(\S)\.(\S)并将其替换为，$1. $2但随后将需要类似的东西www.somecompany.com并将其拆分为www，somecompany并且com我可能想保留它（或失败www并且com它们本身不太可能非常有用）。我可以排除带有多个点的单词，但网址可能会显示为somecompany.com（不带www），或者您可能会遇到类似的电子邮件地址somebody@somecompany.com。

有没有一种强大的方法来解决这个问题？在标签被剥离后至少保留一个空格？

我正在尝试使用 AngleSharp 库来解析一些 HTML，到目前为止它非常棒。我现在偶然发现了一个我想解析以下 HTML 的场景：

当然，这段 HTML 有封闭的父元素等，但是这段 HTML 的解析元素的结果列表是：

• HtmlAnchorElement
• HtmlBoldElement
• HtmlBreakRow 元素

有效地跳过元素之间的文本。如何获取此文本？我认为 AngleSharp 会为这些部分生成 TextNodes 吗？

请注意，获取父级的完整 TextContent 不是我想要做的，因为我实际上仍然需要元素的结构来知道什么是什么。

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：

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

我使用下面的代码从解析的 html 中剥离特定的 html 标记AngleSharp（因为建议使用正则表达式来执行此类工作（AngleSharp目前已维护，HtmlAgilityPack不是，因此我一直在转向后者）。

它工作得很好 - 但现在我也想删除 html 评论。<!--意思是在和-->标签之间找到的任何东西。

这将如何实现AngleSharp？在这里使用 QuerySelector 似乎不合适。

我开始在项目中使用 Anglesharp，我不仅需要获取和下载 HTML，还需要获取和下载文档的图像。我知道在 Document 对象中有一个名为 Images 的属性，但显然它并没有得到所有这些，我在 YouTube 页面上做了一个测试，结果只有一个（重复了几次）。例如，我想获取当前视频的缩略图，这似乎在<meta>标签内。更准确地说，图像存储在这种标签中：

所以我想知道是否有一种方法可以选择页面内任何图像的所有节点/url，无论使用什么标签。我认为 QuerySelectorAll 在这种情况下不起作用，因为它只选择一种类型的节点。您可以尝试在 github 上找到的示例代码来验证这一点（我刚刚用 YouTube 更改了 url，并且选择器也更改了 :D）：

哦，舒尔，您还可以添加这个来检查 Image 属性是否没有获取视频缩略图：

还有其他基于 URL 内容选择节点的方法吗？（就像所有以“.jpg”或“.png”等结尾的网址）

看来 AngleSharp 将单引号转换为双引号。这是真的？如果是这样，它会影响我从请求中获取 JSON 数据的能力。我正在调用一个控制器，该控制器返回包装在 json 对象中的 html。部分 html 具有使用单引号的属性。调用 OpenAsync 方法后，生成的文档会将它们转换为双引号。因此，当我使用 Newtonsoft.Json 时，它会尝试基于这些反序列化。有没有办法通过配置设置来防止这种情况发生？

当您没有要使用的类名或 id 时，找不到很多使用 AngleSharp 进行解析的示例。

HTML

我想从任何<a>具有标题 = Bing 的标签中找到 href

在 Python BeautifulSoup 中，我会使用

然后获取 href 属性

或 jQuery

但是，我被困在使用 AngleSharp 例如。以下示例 https://github.com/AngleSharp/AngleSharp/wiki/Examples#getting-certain-elements

c# AngleSharp

我正在尝试使用 AngleSharp 解析 XHTML 文件，进行更改，然后将其输出。但是，我在使输出与输入匹配时遇到了一些问题。

• 如果我使用 XML 解析器并且XMLMarkupFormatter我HtmlMarkupFormatter得到没有自结束标记（都是<img></img>）并且没有 XML 声明。

• 如果我使用 HTML 解析器并且HTMLMarkupFormatter我得到 XML 无效的自关闭标签（都是简单的<img>）并且没有 XML 声明。

• 如果我使用 HTML 解析器并且XMLMarkupFormatter我得到很好的自结束标记 ( <img />) 和 XML 声明 - 但是，XML 声明作为注释被拾取并输出为<!-- <?xml version="1.0" encoding="UTF-8"?> -->

有没有办法解决这个问题还是我需要自己写MarkupFormatter？