HTML Agility Pack - 獲取頁面摘要

Question

如何使用HTML Agility Pack從HTML文件正文獲取文本的第一段。我正在構建一個DIGG風格的鏈接提交工具，並希望獲得標題和文本的第一段。標題很簡單，對於我如何從身體中獲得第一段文字有什麼建議？我想這可能在P或DIV內，具體取決於頁面。

Answer 1

是你控制的這個html嗎？如果是這樣，你可以給P上的ID或類，並通過

//p[@id=\"YOUR ID\"] or //p[@class=\"YOUR CLASS\"] 

編輯發現： 既然你不控件的HTML，也許下面將工作。它採用所有的HtmlTextNodes並嘗試查找大於指定閾值的文本分組。這並不完美，但可能會讓你朝着正確的方向前進。

String summary = FindSummary(page.DocumentNode); 

private const int THRESHOLD = 50; 
private String FindSummary(HtmlAgilityPack.HtmlNode node) { 
    foreach (HtmlAgilityPack.HtmlNode childNode in node.ChildNodes) { 
     if (childNode.GetType() == typeof(HtmlAgilityPack.HtmlTextNode)) { 
      if (childNode.InnerText.Length >= THRESHOLD) { 
       return childNode.InnerText; 
      } 
     } 

     String summary = FindSummary(childNode); 
     if (summary.Length >= THRESHOLD) { 
      return summary; 
     } 
    } 

    return String.Empty; 
} 

Answer 2

敏捷包使用xpath查詢html負載，您只需使用簡單的xpath語句。像...

HtmlDocument htmldoc = new HtmlDocument(); 
htmldoc.LoadHtml(content); 

HtmlNodeCollection firstParagraph = htmldoc.DocumentNode.SelectNodes("//p[1]");