HTMLAgilityPack 节点名称过滤器不起作用

Question

我想使用 HTMLAgilityPack 获取页面的文本。 我有一些代码：

HtmlAgilityPack.HtmlWeb TheWebLoader = new HtmlWeb();
HtmlAgilityPack.HtmlDocument TheDocument = TheWebLoader.Load(textBox1.Text);
List<string> TagsToRemove = new List<string>() { "script", "style", "link", "br", "hr" };
var Strings = (from n in TheDocument.DocumentNode.DescendantsAndSelf()
               where !TagsToRemove.Contains(n.Name.ToLower())
               select n.InnerText).ToList();
textBox2.Lines = Strings.ToArray();

问题是，它也返回script标签的内容。 我不知道为什么会这样。 有人可以帮助我吗？

Answer 1

您的问题来自InnerText不返回您所期望的事实。

在：

<A>
    Text1
    <B>Text2</B>
</A>

它返回：

Text1
Text2

然后，例如，对于根节点，执行document.DocumentNode.InnerText将为您提供script中的所有文本，等等......

我建议您删除所有不想要的标签：

foreach (HtmlNode nodeToRemove in (from descendant in TheDocument.DocumentNode.Descendants()
                                   where TagsToRemove.Contains(descendant.Name)
                                   select descendant).ToList())
    nodeToRemove.Remove();

然后获取文本元素的列表：

List<string> Strings = (from descendant in TheDocument.DocumentNode.DescendantsAndSelf().OfType<HtmlTextNode>()
                        select descendant.InnerText).ToList();