使用HtmlAgilityPack的InnerText提取電子郵件時保留換行符

Question

我使用HTMLAgiltyPack提取發送給我們的查詢中嵌入的電子郵件地址。有問題的HTML部分是以下形式：

<div class="queryBody"> 
<span> 
    ****Query here**** 
    MAY contain paragraphs and lists tags. 
</span> 
</div> 

這是我的代碼：

string query = queryHtml.DocumentNode.SelectNodes(
       @"//div[@class='queryBody'] 
       /span")[0].InnerText; 
string pattern = @"([\w.]+)@([\w.]+)\.([a-z]+)"; 
Match match = Regex.Match(par, pattern); 
string email = ""; 
if (match.Success) 
{ 
    email = match.Value; 
} 

當<span>內的HTML包含段落和列表時出現了問題。在這種情況下，query將返回一個大字符串，其中省略了<p>和<li>的所有換行符。

例子：

<div class="queryBody"> 
    <span> 
    <p>I am unable to log into my account</p> 
    <p>Please help me sort out this problem</p> 
    <p>My email is: rebecca.h@gmail.com</p> 
    <p>cell: 021901493</p> 
    </span> 
</div> 

query將返回：

I am unable to log into my accountPlease help me sort out this problemMy email is: rebecca.h@gmail.comcell: 021901493 

這使得它非常難用我的正則表達式來提取電子郵件地址。有什麼方法可以在使用HtmlAgilityPack遍歷HTML節點時保留換行符？還有什麼可以成功提取電子郵件地址的嗎？

Answer 1

如果只有一個電子郵件提取，你可以使用

var query = queryHtml.DocumentNode.SelectNodes(
      @"//div[@class='queryBody'] 
      /span"); 
var pattern = @"\S+@\S+\.\S+"; 
var email = ""; 
if (query != null) 
{ 
    var emailNode = query.Descendants().Where(m => Regex.IsMatch(m.InnerText, pattern)).FirstOrDefault(); 
    if (emailNode != null) 
    { 
     email = Regex.Match(emailNode.InnerText, pattern).Value; 
    } 
} 

點被發現的電子郵件模式相匹配的後代節點（注意：我使用了它一個更通用的模式，匹配1+非空格，@,1 +非空格，.，再1+非空格），然後提取該匹配。

您可以通過收集與模式匹配的所有節點，然後使用Regex.Matches來獲取所有模式匹配，輕鬆地調整多封電子郵件的代碼。

Answer 2

你的正則表達式使用原始html，所以我只會使用InnerHtml而不是InnerText。代碼將會是。

string query = queryHtml.DocumentNode.SelectNodes(
       @"//div[@class='queryBody'] 
       /span")[0].InnerHtml; 
string pattern = @"([\w.]+)@([\w.]+)\.([a-z]+)"; 
Match match = Regex.Match(par, pattern); 
string email = ""; 
if (match.Success) 
{ 
    email = match.Value; 
} 

這將讓該地址正確，因爲 '<' 是不是在[A-Z]。那麼如果你有一些原因需要使用InnerText，那麼我只需要創建一個單獨的變量。