使用Html Agility Pack在两个HTML标记之间获取内容

Question

我们在Word中创建了一个绝对庞大的帮助文档,这个文档用于生成更大规模且非常复杂的HTM文档.使用C#和这个库,我想只在我的应用程序中的任何一点抓取并显示该文件的一部分.部分分为这样:

<!--logical section starts here -->
<div>
<h1><span style='mso-spacerun:yes'></span><a name="_Toc325456104">Section A</a></h1>
</div>
 <div> Lots of unnecessary markup for simple formatting... </div>
 .....
<!--logical section ends here -->

<div>
<h1><span style='mso-spacerun:yes'></span><a name="_Toc325456104">Section B</a></h1>
</div>

从逻辑上讲,标签中H1有一个部分名称a.我想从外部包含div中选择所有内容,直到我遇到另一个h1并排除该div.

• 每个部分名称都位于一个<a>标签下面,h1该标签有多个孩子(每个约6个)
• 逻辑部分标有注释
• 实际文档中不存在这些注释

我的尝试:

var startNode = helpDocument.DocumentNode.SelectSingleNode("//h1/a[contains(., '"+sectionName+"')]");
//go up one level from the a node to the h1 element
startNode=startNode.ParentNode;

//get the start index as the index of the div containing the h1 element
int startNodeIndex = startNode.ParentNode.ChildNodes.IndexOf(startNode);

//here I am not sure how to get the endNode location. 
var endNode =?;

int endNodeIndex = endNode.ParentNode.ChildNodes.IndexOf(endNode);

//select everything from the start index to the end index
var nodes = startNode.ParentNode.ChildNodes.Where((n, index) => index >= startNodeIndex && index <= endNodeIndex).Select(n => n);

我无法找到关于此的文档,我不知道如何从我的起始节点到下一个h1元素.任何建议,将不胜感激.

Answer 1

我想这会做到这一点,虽然它假设H1标签只出现在节头中.如果不是这种情况,您可以在后代上添加Where以检查它找到的任何H1节点上的其他过滤器.请注意,这将包括它找到的div的所有兄弟节点,直到它到达具有节名称的下一个兄弟节点.

private List<HtmlNode> GetSection(HtmlDocument helpDocument, string SectionName)
{
    HtmlNode startNode = helpDocument.DocumentNode.Descendants("div").Where(d => d.InnerText.Equals(SectionName, StringComparison.InvariantCultureIgnoreCase)).FirstOrDefault();
    if (startNode == null)
        return null; // section not found

    List<HtmlNode> section = new List<HtmlNode>();
    HtmlNode sibling = startNode.NextSibling;
    while (sibling != null && sibling.Descendants("h1").Count() <= 0)
    {
        section.Add(sibling);
        sibling = sibling.NextSibling;
    }

    return section;
}