問題タブ [anglesharp]

HtmlAgilityPack で、私はこれを行います

AngleSharp と CSS セレクターを使用してこれを行う方法について何か考えはありますか?

AngleSharp を使用して一部の HTML を処理し、後でマイニングするために要素のテキスト コンテンツを抽出すると、AngleSharp が HTML タグを取り除く方法に問題が発生しました。たとえば、次のような HTML があります (改行とタブを除く)。

ここでの問題は、次を取得したときですTextContent。

次のようになります。

単語actionとTypicalは空白なしでくっつけられています (それらの間にあるのは html タグだけであるため)。action.Typicalこれは、2 つの単語ではなく 1 つの単語として認識されるため、テキスト コンテンツをトークン化する私の努力を台無しにしています。

もちろん、検索と置換 (おそらく正規表現を使用) を実行すること(\S)\.(\S)も$1. $2できます。とにかく、それ自体ではあまり役に立たない可能性があります）。複数のドットを含む単語を除外することはできますが、Web アドレスが( なしで) として表示されるか、または のようなメール アドレスが表示される場合があります。www.somecompany.comwwwsomecompanycomwwwcomsomecompany.comwwwsomebody@somecompany.com

これを回避する堅牢な方法はありますか？タグが削除された後、少なくとも 1 つのスペースを保持するには?

これまでのところ、AngleSharp ライブラリを使用して HTML を解析しようとしています。次の HTML を解析したいシナリオに出くわしました。

もちろん、この HTML 部分には親要素などを囲んでいますが、この HTML 部分の解析済み要素のリストは次のようになります。

• Htmlアンカー要素
• HtmlBoldElement
• HtmlBreakRow要素

要素間のテキストを効果的にスキップします。このテキストを入手するにはどうすればよいですか? AngleSharp がこれらのパーツの TextNodes を生成すると思いますか?

親の完全な TextContent を取得することは、私がやりたいことではないことに注意してください。なぜなら、何が何であるかを知るために要素の構造が実際に必要だからです。

私は多数の HTML ドキュメントを解析しており、それぞれの必要に応じて英国の住所を抽出しようとしています。そのために、AngleSharp で HTML を解析し、正規表現に一致する TextContent を持つノードを探しています。

htmlこれは、body、p要素の 3 つの結果を返します。私が返したい唯一の要素は p 要素です。これは、innerText が正規表現に正しく一致しているためです。ページに複数の一致がある場合もあるため、最後の結果を返すことはできません。その要素のテキスト (子ノードではない) が正規表現と一致する要素を返すだけです。

編集

ドキュメント構造や、郵便番号が含まれるタグさえも事前に知らないため、正規表現を使用しています。結果が得られたら、dom をトラバースして残りのアドレスを取得することを計画しているので、ドキュメントを文字列として扱いたくないだけです

AngleSharp は一重引用符を二重引用符に変換するようです。これは本当ですか？もしそうなら、リクエストから JSON データを取得できることに影響します。json オブジェクトにラップされた html を返すコントローラーを呼び出しています。HTML の一部には、一重引用符を使用した属性があります。OpenAsync メソッドを呼び出した後、結果のドキュメントはそれらを二重引用符に変換します。そのため、Newtonsoft.Json を使用すると、それらに基づいて逆シリアル化が試みられます。構成設定を通じてそれが起こらないようにする方法はありますか?

使用するクラス名または ID がない場合、解析に AngleSharp を使用する例は多くありません。

HTML

<a>title = Bing のタグから href を見つけたい

Python BeautifulSoup では、私は使用します

次に、 href 属性を取得します

またはjQuery

しかし、AngleSharp の使用に行き詰まっています。次の例 https://github.com/AngleSharp/AngleSharp/wiki/Examples#getting-certain-elements

c#AngleSharp

AngleSharp を使用して XHTML ファイルを解析し、変更を加えてから出力しようとしています。ただし、出力を入力と一致させるにはいくつか問題があります。

• XML パーサーとXMLMarkupFormatterまたは のいずれかを使用するとHtmlMarkupFormatter、自己終了タグ (すべてが<img></img>) も XML 宣言も取得されません。

• HTML パーサーを使用すると、HTMLMarkupFormatterXML の無効な自己終了タグ (すべて単に<img>) が表示され、XML 宣言は表示されません。

• HTML パーサーを使用すると、XMLMarkupFormatter素敵な自己終了タグ ( <img />) と XML 宣言が得られますが、XML 宣言はコメントとして取得され、次のように出力されます。<!-- <?xml version="1.0" encoding="UTF-8"?> -->

これを回避する方法はありますか、それとも自分で書く必要がありMarkupFormatterますか?