C# 截断文本块(块元素)末尾的HTML内容
主要是当我们缩短/截断文本内容时,我们通常只在特定的字符索引处截断它。这在HTML中已经很复杂了,但我想用不同的方法截断我的HTML内容(使用content editableC# 截断文本块(块元素)末尾的HTML内容,c#,html,extract,truncate,C#,Html,Extract,Truncate,主要是当我们缩短/截断文本内容时,我们通常只在特定的字符索引处截断它。这在HTML中已经很复杂了,但我想用不同的方法截断我的HTML内容(使用content editablediv生成): 我将定义字符索引N,它将用作截断起始点限制 算法将检查内容是否至少有N个字符长(仅限文本;不包括标签);如果不是,它将返回全部内容 然后,它将检查从N-X到N+X字符位置(仅文本),并搜索块节点的末端X是预定义的偏移量值,可能约为N/5到N/4 如果多个块节点在该范围内结束,算法将选择最接近极限索引的一个 如
div
生成):
N
,它将用作截断起始点限制N
个字符长(仅限文本;不包括标签);如果不是,它将返回全部内容N-X
到N+X
字符位置(仅文本),并搜索块节点的末端X
是预定义的偏移量值,可能约为N/5
到N/4
李>
N
的索引并在该位置截断| MIN |
表示字符750,| limit |
表示字符1000和| MAX |
表示字符1250)
从示例中可以看出,两个块节点到字符1000之间最近的截断边界介于
和p
之间(生成了我的内容可编辑…)。这意味着我的HTML应该在这两个标签之间被截断,这会导致少于1000个字符的长文本内容,但保留截断的内容是有意义的,因为它不会截断某些文本段落中间的某个地方。
我希望这能解释这个算法应该如何工作
问题
我在这里看到的第一个问题是,我正在处理类似HTML的嵌套结构。我还必须检测不同的元素(只有块元素,没有内联元素)。最后但并非最不重要的一点是,我必须只计算字符串中的某些字符,而忽略那些属于标记的字符
可能的解决方案
N
,然后转换回HTML- 我相信我可以通过做1来做到,但感觉我在重新发明轮子
- 我不认为有任何C#库用于#2,所以我也应该使用HTML手动标记,或者作为外部进程运行,即pandoc
- 我可以使用HAP,因为它非常擅长处理HTML,但我不确定使用它是否会使截断变得足够简单。恐怕我的自定义代码中的大部分处理仍将在HAP之外
我们应该如何处理这种截断算法?我的脑袋似乎太累了,无法达成共识(或解决方案)。我将浏览整个DOM树,并继续计算出现的文本字符数。每当我达到限制(N)时,我将删除该文本节点的额外字符,从那里开始,我将删除所有文本节点 我相信这是一种安全的方法,可以在保留所有HTML+CSS结构的同时只保留N个字符。
private void removempty(HtmlNode节点){
private void RemoveEmpty(HtmlNode node){
var parent = node.Parent;
node.Remove();
if(parent==null)
return;
// remove parent if it is empty
if(!parent.DescendantNodes.Any()){
RemoveEmpty(parent);
}
}
private void Truncate(DocumentNode root, int maxLimit){
var n = 0;
HtmlTextNode lastNode = null;
foreach(var node in root.DescendantNodes
.OfType<HtmlTextNode>().ToArray()){
var length = node.Text.Length;
n+= length;
if(n + length >= maxLimit){
RemoveEmpty(node);
}
}
}
// you are left with only nodes that add up to your max limit characters.
class Program
{
static void Main(string[] args)
{
var web = new HtmlWeb();
var doc = web.Load("http://stackoverflow.com/questions/30926684/truncating-html-content-at-the-end-of-text-blocks-block-elements");
var post = doc.DocumentNode.SelectSingleNode("//td[@class='postcell']//div[@class='post-text']");
var truncated = TruncateInnerText(post, 500);
Console.WriteLine(truncated.OuterHtml);
Console.WriteLine("Size: " + truncated.InnerText.Length);
}
}
var parent=node.parent;
node.Remove();
如果(父项==null)
返回;
//如果父项为空,则将其删除
如果(!parent.degenantNodes.Any()){
removempty(父母);
}
}
私有void截断(DocumentNode根,int maxLimit){
var n=0;
HtmlTextNode lastNode=null;
foreach(root.degenantNodes中的var节点
.OfType().ToArray()){
var length=node.Text.length;
n+=长度;
如果(n+长度>=maxLimit){
removempty(节点);
}
}
}
//只剩下加起来达到最大限制字符数的节点。
以下是一些可以截断内部文本的示例代码。它使用InnerText
属性和CloneNode
方法的递归功能
public static HtmlNode TruncateInnerText(HtmlNode node, int length)
{
if (node == null)
throw new ArgumentNullException("node");
// nothing to do?
if (node.InnerText.Length < length)
return node;
HtmlNode clone = node.CloneNode(false);
TruncateInnerText(node, clone, clone, length);
return clone;
}
private static void TruncateInnerText(HtmlNode source, HtmlNode root, HtmlNode current, int length)
{
HtmlNode childClone;
foreach (HtmlNode child in source.ChildNodes)
{
// is expected size is ok?
int expectedSize = child.InnerText.Length + root.InnerText.Length;
if (expectedSize <= length)
{
// yes, just clone the whole hierarchy
childClone = child.CloneNode(true);
current.ChildNodes.Add(childClone);
continue;
}
// is it a text node? then crop it
HtmlTextNode text = child as HtmlTextNode;
if (text != null)
{
int remove = expectedSize - length;
childClone = root.OwnerDocument.CreateTextNode(text.InnerText.Substring(0, text.InnerText.Length - remove));
current.ChildNodes.Add(childClone);
return;
}
// it's not a text node, shallow clone and dive in
childClone = child.CloneNode(false);
current.ChildNodes.Add(childClone);
TruncateInnerText(child, root, childClone, length);
}
}
运行时,应显示以下内容:
<div class="post-text" itemprop="text">
<p>Mainly when we shorten/truncate textual content we usually just truncate it at specific character index. That's already complicated in HTML anyway, but I want to truncate my HTML content (generated using content-editable <code>div</code>) using different measures:</p>
<ol>
<li>I would define character index <code>N</code> that will serve as truncating startpoint <em>limit</em></li>
<li>Algorithm will check whether content is at least <code>N</code> characters long (text only; not counting tags); if it's not it will just return the whole content</li>
<li>It would then</li></ol></div>
Size: 500
注意:我没有在单词边界处截断,只是在字符边界处截断,不,它根本没有按照我的评论中的建议进行:-)但这只是通常的N个字符截断。。。不是我试图实现的每个块。这方面没有灵丹妙药,但我会使用HAP,HAP可以用一个xpath获取所有文本:
//text()
。然后,每个节点也有一个