InnerText = InnerHtml - 如何使用HtmlAgilityPack提取可讀文本

Question

我需要從非常糟糕的Html中提取文本。

我試圖做到這一點使用vb.net和HtmlAgilityPack

，我需要解析的標籤具有的innerText = innerHTML的無一不：

Name:<!--b>&#61;</b--> Albert E<!--span-->instein s<!--i>&#89;</i-->ection: 3 room: - 

雖然調試運行，我可以使用閱讀「HTML查看器「：它顯示：

Name: Albert Einstein section: 3 room: - 

我怎樣才能把它變成一個字符串變量？

編輯：

我用這個代碼來獲取節點：如果您注意到這個爛攤子實際上只是HTML註釋

​​

Answer 1

，他們將被忽略，所以剛開始的文本，並使用string.Join是足夠的：

C＃

var text = string.Join("",htmlDoc.DocumentNode.SelectNodes("//text()[normalize-space()]"). 
              Select(t=>t.InnerText)); 

V B.net

Dim text = String.Join("", From t In htmlDoc.DocumentNode.SelectNodes("//text()[normalize-space()]") 
            Select t.InnerText) 

html是有效的，沒什麼壞處，它只是由沒有靈魂的人寫的。

根據您的更新這應做到：

Dim ElePs As HtmlNodeCollection = mWPage.DocumentNode.SelectNodes("//div[@id='div_main']//p") 
For Each EleP As HtmlNode In ElePs 
    'Here I need to get EleP.InnerText "normalized" 
    Dim text = String.Join("", From t In EleP.SelectNodes(".//text()[normalize-space()]") 
       Select t.InnerText).Trim() 
Next 

注意.//這意味着它會尋找不同//當前節點將始終從頂部開始的節點的後代節點。