C# 保留（或恢复）文本内容中的空白

使用AngleSharp处理一些HTML并提取元素的文本内容以供以后挖掘，我遇到了AngleSharp去除HTML标记的方式的问题。例如，我有一段类似这样的HTML（不包括换行符和制表符）：

结果会是这样的：

"...blah, blah, action.Typical blah, blah..."

IEnumerable<string> ExtractChildNodes(INode node)
{
    if (node.HasChildNodes)
    {
        foreach (var c in node.ChildNodes)
        {
            foreach (var r in ExtractChildNodes(c))
            {
                yield return r;
            }
        }
    }
    else
    {
        yield return node.TextContent;
    }
}

单词

action

和

Typical

被粉碎在一起，没有任何空格（因为它们之间只有html标记）。这让我的文本内容标记化工作受挫，因为

action。典型的
被视为一个单词而不是两个单词

当然，我可以运行搜索并替换（可能使用正则表达式），类似于
（\S）\（\S）
，然后用
$1替换它$2
但这需要像
www.somecompany.com
这样的东西，然后将其分为
www
、
somecompany
和
com
，我可能想保留这一点（或者如果
www
和
com
本身不太可能有用）。我可以排除带有多个点的单词，但网址可能显示为
somecompany.com
（没有
www
），或者您可能会遇到类似
somebody@somecompany.com

有没有一个强有力的方法来解决这个问题？要在标记被剥离后至少保留一个空间？
因此，解决这一问题的最佳方法似乎是递归根元素的
子节点（而不是缺少文本节点的
子节点），然后再次将它们全部连接起来。因此，鉴于：

var rootElem = myDoc.GetElementById("someId");

我可以创建如下函数：

"...blah, blah, action.Typical blah, blah..."

IEnumerable<string> ExtractChildNodes(INode node)
{
    if (node.HasChildNodes)
    {
        foreach (var c in node.ChildNodes)
        {
            foreach (var r in ExtractChildNodes(c))
            {
                yield return r;
            }
        }
    }
    else
    {
        yield return node.TextContent;
    }
}

这应该给我：

在
动作
和
典型
之间留有空格

这似乎不仅适用于某些情况，如
单词
，还适用于一些自动关闭标签，如
单词
，甚至
一些
单词
，使用正则表达式或类似的东西将是一种巨大的痛苦。
您描述的方式很有效，除了一些您已经遇到的场景（例如，自动关闭标签）。因此，我提议如下：


文本节点将按字面意思获取
元素在其子节点w.r.t上迭代。

如果两个相邻元素产生内容，则插入一个空格
如果没有子节点，则查看元素是否特殊（如br），并放置一些代表性字符串（如换行符）
否则，例如，如果文本节点与元素相邻，则不会插入文本


因此，总体而言，以下实现应该完成这项工作：

String Stringify(INode node)
{
    switch (node.NodeType)
    {
        case NodeType.Text:
            return node.TextContent;

        case NodeType.Element:
            if (node.HasChildNodes)
            {
                var sb = new StringBuilder();
                var isElement = false;

                foreach (var child in node.ChildNodes)
                {
                    var isPreviousElement = isElement;
                    var content = Stringify(child);
                    isElement = child.NodeType == NodeType.Element;

                    if (!String.IsNullOrEmpty(content) && isElement && isPreviousElement)
                    {
                        sb.Append(' ');
                    }

                    sb.Append(content);
                }

                return sb.ToString();
            }

            switch (node.NodeName.ToLowerInvariant())
            {
                case "br": return "\n";
            }

            goto default;

        default:
            return String.Empty;

    }
}

这种实现的优点是，您可以根据自己的需要对其进行调整。例如，对于
br
之类的标记，您可以轻松地输出空格而不是换行符。
这真的是您正在解析的HTML吗（字面上）？因为如果是这样的话，AngleSharp肯定会在“action.”和“typical”之间有空格（事实上是一个新行和一些空格字符）。@FlorianRappl：实际上不是，我格式化它是为了清晰，但实际上它是一行，没有换行符或制表符。我想那部分有点混乱。我将在问题中澄清。是的，我猜是这样。正如我所说：否则，您将看到文本节点的文本。我将提供另一种可能对你有用的方法/答案。
"...blah, blah, action. Typical blah, blah..."

String Stringify(INode node)
{
    switch (node.NodeType)
    {
        case NodeType.Text:
            return node.TextContent;

        case NodeType.Element:
            if (node.HasChildNodes)
            {
                var sb = new StringBuilder();
                var isElement = false;

                foreach (var child in node.ChildNodes)
                {
                    var isPreviousElement = isElement;
                    var content = Stringify(child);
                    isElement = child.NodeType == NodeType.Element;

                    if (!String.IsNullOrEmpty(content) && isElement && isPreviousElement)
                    {
                        sb.Append(' ');
                    }

                    sb.Append(content);
                }

                return sb.ToString();
            }

            switch (node.NodeName.ToLowerInvariant())
            {
                case "br": return "\n";
            }

            goto default;

        default:
            return String.Empty;

    }
}