InnerText = InnerHtml - Comment extraire le texte lisible avec HtmlAgilityPack

Question

Je dois extraire le texte d'un Html très mauvais.

Je suis en train de le faire en utilisant vb.net et HtmlAgilityPack

L'étiquette que je dois analyser a InnerText = InnerHtml et les deux:

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

Alors que debug je peux le lire en utilisant « spectateur Html ": il montre:

Name: Albert Einstein section: 3 room: - 

Comment est-ce que je peux obtenir ceci dans une variable de chaîne?

EDIT:

J'utiliser ce code pour obtenir le nœud:

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" 
Next 

Answer 1

Si vous remarquez ce gâchis est en fait seulement les commentaires HTML et ils sont ignorés, si juste obtenir le texte et en utilisant string.Join suffit:

C#

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

V Le html est valide, rien de mal à ce sujet, c'est juste écrit par quelqu'un sans âme.

en fonction de votre mise à jour ce sont faire:

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 

note le .// cela signifie qu'il va chercher les nœuds descendants du noeud courant contrairement // qui commence toujours à partir du nœud supérieur.