解析ページおよび変更することなくページとそのフッタの内容を保存

Question

<article class="js_IntraTCBP IntraTCBP dr tr lh2 js_lblContent" id="js_lblContent"><p></p>text 
<p></p><p></p><a name="p1"></a><a name="p1"></a><a name="p1"></a><a name="p1"></a><a name="p1"></a><h1>text</h1><p></p><p></p>text 
<p></p>text<sup>1</sup> 
<p></p>text<sup>2</sup> 
<p></p>text<sup>3</sup> 
<p></p>text<sup>4</sup>text<p></p><hr class="Footer"><p></p><font class="Footer"><p></p>1-ddd 
<p></p>2-ccc 

<p></p>3-bbb 

<p></p>4-aaa 

</font></article> 

テキスト

テキスト

テキスト

テキスト

テキスト

テキスト

テキストテキスト

1 DDDに

2-CCC

3-BBB

4-AAA

私はオンラインブックのページを解析し、内容を変更せずにページの内容を保存したいと考えています。

私はこれを使用します。

VAR pageContent = document.DocumentNode.SelectNodes（ "//記事[クラス@ = 'js_IntraTCBP IntraTCBP DR TR LH2 js_lblContent'] /テキストを（）"）;

それは私のすべての 'テキストを取得します。

どのようにすべてのフッターを取得できますか？たとえば、text1 ----> 1 = ddddです。本のページに見られるようなものです。

Answer 1

検索する文字列やパターンを表す文字と記号のシーケンスである正規表現や正規表現を試すことができます。 System.Text.RegularExpressions.Regex class - MSDN。

Regex.Matchesを使用していくつかのhtml要素に一致させることができますが、各行をループする必要があります。

// loop... 

var matches = Regex.Match(line, @"(\<[\w]*\>|[^\s]*([^<]*)\<\/[\w]*\>)"); 

コンテンツの使用を含むタグを取得するには：

string tag = matches.Groups[1].Value; 

なしタグの使用をincudingコンテンツを取得するには：

string content = matches.Groups[2].Value; 

Demoをこれは、あなたが開始されます。それはすべてではなく、いくつかの要素を検出することができます。

• https://msdn.microsoft.com/en-us/library/20bw873z.aspx
• https://msdn.microsoft.com/en-us/library/az24scfc(v=vs.110).aspx
• http://www.dotnetperls.com/regex