c# - 无法使用 HtmlAgilityPack 和 XPath 提取 元素

Question

我正在使用 Html Agility 包从 rss xml 中选择文本数据。对于所有其他节点类型(标题、发布日期、guid 等)，我可以使用 XPath 约定选择内部文本，但是在查询“//link”或实际上“item/link”时返回空字符串。

public static IEnumerable<string> ExtractAllLinks(string rssSource)
{
    //Create a new document.
    var document = new HtmlDocument();
    //Populate the document with an rss file.
    document.LoadHtml(rssSource);
    //Select out all of the required nodes.
    var itemNodes = document.DocumentNode.SelectNodes("item/link");
    //If zero nodes were found, return an empty list, otherwise return the content of those nodes.
    return itemNodes == null ? new List<string>() : itemNodes.Select(itemNode => itemNode.InnerText).ToList();
}

有没有人理解为什么这个元素的行为与其他元素不同？

附加:运行“item/link”返回零个节点。运行“//link”返回正确数量的节点，但内部文本的长度为零个字符。

使用下面的测试数据，使用“//name”返回“fred”的单个记录，但是使用“//link”返回带有空字符串的单个记录。

<site><link>Hello World</link><name>Fred</name></site>

我确信这是因为世界“链接”。如果我将其更改为“linkz”，它会完美运行。

以下解决方法非常有效。但是，我想了解为什么在“//link”上搜索不像其他元素那样有效。

public static IEnumerable<string> ExtractAllLinks(string rssSource)
{
    rssSource = rssSource.Replace("<link>", "<link-renamed>");
    rssSource = rssSource.Replace("</link>", "</link-renamed>");
    //Create a new document.
    var document = new HtmlDocument();
    //Populate the document with an rss file.
    document.LoadHtml(rssSource);
    //Select out all of the required nodes.
    var itemNodes = document.DocumentNode.SelectNodes("//link-renamed");
    //If zero nodes were found, return an empty list, otherwise return the content of those nodes.
    return itemNodes == null ? new List<string>() : itemNodes.Select(itemNode => itemNode.InnerText).ToList();
}

Answer 1

如果您打印 DocumentNode.OuterHtml ，你会看到问题:

var html = @"<site><link>Hello World</link><name>Fred</name></site>";
var doc = new HtmlDocument();
doc.LoadHtml(html);
Console.WriteLine(doc.DocumentNode.OuterHtml);

输出:

<site><link>Hello World<name>Fred</name></site>

link恰好是一些 特殊标签^* 之一，被 HAP 视为自关闭标签。您可以通过设置 ElementsFlags 来更改此行为在解析 HTML 之前，例如:

var html = @"<site><link>Hello World</link><name>Fred</name></site>";
HtmlNode.ElementsFlags.Remove("link");  //remove link from list of special tags
var doc = new HtmlDocument();
doc.LoadHtml(html);
Console.WriteLine(doc.DocumentNode.OuterHtml);
var links = doc.DocumentNode.SelectNodes("//link");
foreach (HtmlNode link in links)
{
    Console.WriteLine(link.InnerText);
}

Dotnetfiddle Demo

输出:

<site><link>Hello World</link><name>Fred</name></site>
Hello World

---

*) 除link 之外的特殊标签 的完整列表, 包含在 ElementsFlags 中默认字典，可以在 HtmlNode.cs 的源码中看到.其中一些最受欢迎的是 <meta> , <img> , <frame> , <input> , <form> , <option>等