Библиотека шарписта | C#, F#, .NET, ASP.NET

📎

Парсим HTML в C#

FreeSpire.Doc для .NET — профессиональная библиотека для обработки документов. Она позволяет разработчикам на C# читать, анализировать и извлекать HTML-контент с минимальным количеством кода и без внешних зависимостей.

Установка через NuGet:

Install-Package FreeSpire.Doc

Необходимые неймспейсы:

using Spire.Doc;
using Spire.Doc.Documents;
using Spire.Doc.Fields;
using System;
using System.IO;
using System.Text.RegularExpressions;

Кейс 1. Извлечение текста из HTML-строки

Библиотека справляется с обработкой динамически генерируемых HTML-фрагментов, например, контента из фронтенд-редакторов или HTML-строк, возвращаемых API.

string htmlContent = @"
    <html>
    <body>
        <h2>Описание возможностей продукта</h2>
        <p>Этот компонент поддерживает<span style='font-size:14px;'> парсинг HTML</span> и имеет следующие преимущества:</p>
        <ul>
            <li>Кроссплатформенная совместимость .NET</li>
            <li>Не зависит от Office</li>
            <li>Быстрое извлечение текста</li>
        </ul>
    </body>
    </html>
";

Document parseDoc = new Document();
Section section = parseDoc.AddSection();
Paragraph paragraph = section.AddParagraph();

try
{
    // Ключевой метод: загрузка и парсинг HTML
    paragraph.AppendHTML(htmlContent);
    
    // Извлечение чистого текста
    string pureText = parseDoc.GetText();
    
    // Очистка текста от лишних пробелов
    pureText = Regex.Replace(pureText, @"\s+", " ").Trim();
    
    Console.WriteLine("Извлечённый текст:");
    Console.WriteLine(pureText);
}
finally
{
    parseDoc.Dispose();
}

Кейс 2. Извлечение структурированного контента из файла

При работе с локально сохранёнными HTML-файлами чаще нужно извлечь конкретные структурированные данные: заголовки, списки, гиперссылки.

string htmlFilePath = "sample.html";

Document parseDoc = new Document();
parseDoc.LoadFromFile(htmlFilePath);

// Извлечение заголовков (h1-h6)
foreach (Section sec in parseDoc.Sections)
{
    foreach (Paragraph para in sec.Paragraphs)
    {
        if (para.GetStyle().Name.StartsWith("Heading"))
        {
            Console.WriteLine(para.Text.Trim());
        }
    }
}

// Извлечение элементов списков
foreach (Section sec in parseDoc.Sections)
{
    foreach (Paragraph para in sec.Paragraphs)
    {
        if (para.ListFormat.ListType != ListType.NoList)
        {
            Console.WriteLine(para.Text.Trim());
        }
    }
}

// Извлечение гиперссылок
foreach (Section sec in parseDoc.Sections)
{
    foreach (Paragraph para in sec.Paragraphs)
    {
        foreach (DocumentObject docObj in para.ChildObjects)
        {
            if (docObj is Field field && field.Type == FieldType.FieldHyperlink)
            {
                string linkText = field.FieldText;
                string linkUrl = field.GetFieldCode().Split('"')[1];
                Console.WriteLine($"Текст: {linkText}, URL: {linkUrl}");
            }
        }
    }
}

Лучшие практики:

• Всегда оборачивайте Document в using или вызывайте Dispose() для освобождения ресурсов

• Проверяйте существование файлов и обрабатывайте исключения парсинга

• Обрабатывайте извлечённый текст с помощью Regex.Replace для нормализации пробелов

📍 Навигация: Вакансии • Задачи • Собесы

🐸

Библиотека шарписта

#sharp_view

Please open Telegram to view this post