提问人：Zacke 提问时间：2/14/2019 更新时间：2/14/2019 访问量：2276
如何从像编号目录这样的 html 字符串中仅提取标题（即 h2、h3、h4）？
How to extract only the headings (i.e h2,h3,h4), from a html string like a numbered TOC?
问：
我想从 xhtml 字符串中提取标题标签（即 h1、h2、h3 等）中的所有内容，然后在侧菜单中使用。
xhtml 字符串将具有编号的标题，因此 h2 将类似于“1.1 Heading”，而在其下是带有“1.1.1 Heading”和 1.1.2 的 h3，依此类推。
<div class="main-body">
<h2>1.1 Heading</h2>
<h3>1.1.1 Subheading</h3>
<p>Lorem ipsum</p>
<h3>1.1.2 Another Subheading</h3>
<p>Lorem ipsum</p>
<h2>2.1 Heading</h2>
<h3>2.1.1 Subheading</h3>
<p>Lorem ipsum</p>
<h4>2.1.1.1 SubSubHeading</h4>
</div>
上面是 html 外观的示例，因此我想将父 （h2） 与它的子项（h3、h4）分组，当在 DOM 中找到新的 h2 时，我想创建一个包含其“子项”的新组。
答：
3赞
er-sho
2/14/2019
#1
有两种方法可以检索要标记的所有文本<h1><h6>
所以你的输入html是：
string input = @"<div class='main - body'>
<h2> 1.1 Heading </h2>
<h3> 1.1.1 Subheading </h3>
<p> Lorem ipsum </ p >
<h3> 1.1.2 Another Subheading</h3>
<p> Lorem ipsum </p>
<h2> 2.1 Heading </h2>
<h3> 2.1.1 Subheading </h3>
<p> Lorem ipsum </p>
<h4> 2.1.1.1 SubSubHeading </h4>
</div> ";
1） 通过使用正则表达式：
使用此正则表达式将标题标记内的所有文本从 获取到<h1><h6>
<h[1-6][^>]*?>(?<TagText>.*?)</h[1-6]>
用法：
string pattern = @"<h[1-6][^>]*?>(?<TagText>.*?)</h[1-6]>";
MatchCollection matches = Regex.Matches(input, pattern);
var heading_matches = matches.Cast<Match>().Select(x => x.Groups["TagText"].Value);
忽略然后使用h1
string pattern = @"<h[2-6][^>]*?>(?<TagText>.*?)</h[2-6]>";
2） 通过使用 HtmlAgilityPack：
使用 HtmlAgilityPack 包将 .<h1><h6>
需要从 NuGet 包管理器控制台安装此包。
Install-Package HtmlAgilityPack -Version 1.8.14
用法：
var htmlDocument = new HtmlDocument();
htmlDocument.LoadHtml(input);
string xpathQuery = "//*[starts-with(name(),'h') and string-length(name()) = 2 and number(substring(name(), 2)) <= 6]";
var texts = htmlDocument.
DocumentNode
.SelectNodes(xpathQuery)
.Select(x => x.InnerText)
.ToList();
忽略然后使用h1
string xpathQuery = "//*[starts-with(name(),'h') and string-length(name()) = 2 and number(substring(name(), 2)) > 1 and number(substring(name(), 2)) <= 6]";
输出：（来自调试器）
评论