c# - 全部的 HtmlAgilityPack 子串按长度

Question

我有嵌套元素的 html(主要是 div 和 p 元素)我需要返回相同的 html，但由给定数量的字母进行子字符串化。显然字母数不应该通过html标签来枚举，而是只统计每个html元素的InnerText的字母数。Html 结果应保留正确的结构 - 任何结束标记以保持有效的 html。

示例输入:

<div>
    <p>some text</p>
    <p>some more text some more text some more text some more text some more text</p>
    <div>
        <p>some more text some more text some more text some more text some more text</p>
        <p>some more text some more text some more text some more text some more text</p>
    </div>
</div>

给定int length = 16输出应如下所示:

<div>
    <p>some text</p> // 9 characters in the InnerText here
    <p>some mo</p> // 7 characters in the InnerText here; 9 + 7 = 16;
</div>

注意字母(包括空格)的个数是16。后面的<div>由于字母计数已达到变量 length 而被消除.请注意，输出 html 仍然有效。

我已经尝试了以下方法，但这并不奏效。输出不符合预期:某些 html 元素重复出现。

public static string SubstringHtml(this string html, int length)
{
    HtmlDocument doc = new HtmlDocument();
    doc.LoadHtml(html);
    int totalLength = 0;
    StringBuilder output = new StringBuilder();
    foreach (var node in doc.DocumentNode.Descendants())
    {
        totalLength += node.InnerText.Length;
        if(totalLength >= length)
        {
            int difference = totalLength - length;
            string lastPiece = node.InnerText.ToString().Substring(0, difference);
            output.Append(lastPiece);
            break;
        }
        else
        {
            output.Append(node.InnerHtml);
        }
    }
    return output.ToString();
}

---

更新

@SergeBelov 提供了一个适用于第一个样本输入的解决方案，但是进一步的测试显示了一个与下面的输入类似的问题。

示例输入#2:

some more text some more text 
<div>
    <p>some text</p>
    <p>some more text some more text some more text some more text some more text</
</div>

给定变量 int maxLength = 7;输出应该等于some mo。它不像那样工作，因为这段代码在哪里 ParentNode = null :

lastNode
    .Node
    .ParentNode
    .ReplaceChild(HtmlNode.CreateNode(lastNodeText.InnerText.Substring(0, lastNode.NodeLength - lastNode.TotalLength + maxLength)), lastNode.Node);

创建一个新的 HtmlNode 似乎没有帮助，因为它的 InnterText 属性是只读的。

Answer 1

下面的小型控制台程序说明了一种可能的方法，即:

1. 选择相关的文本节点并计算它们的运行总长度；
2. 根据需要获取尽可能多的节点，使运行总数超过最大长度；
3. 从文档中删除所有元素节点，但我们在步骤 ##1、2 中选择的节点的祖先节点除外；
4. 剪切列表最后一个节点中的文本以适应最大长度。

更新:这应该仍然适用于第一个文本节点；可能需要一个 Trim() 来从中删除空格，如下所示。

    static void Main(string[] args)
    {
        int maxLength = 9;
        string input = @"
            some more text some more text 
            <div>
                <p>some text</p>
                <p>some more text some more text some more text some more text some more text</
            </div>";

        var doc = new HtmlDocument();
        doc.LoadHtml(input);

        // Get text nodes with the appropriate running total
        var acc = 0;
        var nodes = doc.DocumentNode
            .Descendants()
            .Where(n => n.NodeType == HtmlNodeType.Text && n.InnerText.Trim().Length > 0)
            .Select(n => 
            {
                var length = n.InnerText.Trim().Length;
                acc += length;
                return new { Node = n, TotalLength = acc, NodeLength = length }; 
            })
            .TakeWhile(n => (n.TotalLength - n.NodeLength) < maxLength)
            .ToList();

        // Select element nodes we intend to keep
        var nodesToKeep = nodes
            .SelectMany(n => n.Node.AncestorsAndSelf()
                .Where(m => m.NodeType == HtmlNodeType.Element));

        // Select and remove element nodes we don't need
        var nodesToDrop = doc.DocumentNode
            .Descendants()
            .Where(m => m.NodeType == HtmlNodeType.Element)
            .Except(nodesToKeep)
            .ToList();

        foreach (var r in nodesToDrop)
            r.Remove();

        // Shorten the last node as required
        var lastNode = nodes.Last();
        var lastNodeText = lastNode.Node;
        var text = lastNodeText.InnerText.Trim().Substring(0,
                lastNode.NodeLength - lastNode.TotalLength + maxLength);
        lastNodeText
            .ParentNode
            .ReplaceChild(HtmlNode.CreateNode(text), lastNodeText);

        doc.Save(Console.Out);
    }