将富文本拆分为包含富文本代码的列表

Question

我试图找到一种方法来正确地划分这一点，但到目前为止，我遇到了许多问题。

使用string.split / string.substring, string.indexof, string.replace等。

下面是一个需要拆分成列表的示例字符串。

We are <b><i>very</i></b><b>a</b>mused!\nThank you.

列表中的结果应该是这样的：

0: We
1: are
2: <b>
3: <i>
4: very
5: </i>
6: </b>
7: <b>
8: a
9: </b>
10: mused!
11: \n
12: Thank
13: you.

所以我想要做的是：

splitStart = baseString.Value.Split(' ');
foreach (string part in splitStart)
{
    if (part.Contains("<"))
    {
        // get the parts <b>  <i>  <size>  <color>  </b>  </i>  </size> </color> \n
        textlist.Add(part); // add each part to list
    }
    else
    {
        textlist.Add(part);
        Debug.Log(part);
    }
}

我试过这样的东西

contains("<n>")
replace "<n>" "" and add "<n>" to array

但这可能会打破这一顺序。

编辑:我忘了说这是为c#编写的

Answer 1

我认为你需要使用一些像jsoup或树结构算法这样的html解析器对字符进行一些预处理。

这是使用Jsoup库实现这种情况的一种选择。

1. Java版本

首先，从html标签准备单词列表。

final List<String> wordList = new ArrayList<String>();

然后，使用Jsoup的NodeVisitor类遍历html内容。

doc.body().traverse(
            new NodeVisitor(){

                @Override
                public void head(Node arg0, int arg1) {
                    if(arg1 == 1)
                    {
                        String value = arg0.outerHtml();
                        if(!wordList.contains(value))
                            wordList.add(arg0.outerHtml());
                    }
                }

                @Override
                public void tail(Node arg0, int arg1) {

                }
            }
        );

最后，代码如下。

import java.util.ArrayList;
import java.util.List;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.nodes.Node;
import org.jsoup.select.Elements;
import org.jsoup.select.NodeVisitor;

public class HtmlTest {

    public static String parseHtml( String str ) {
        org.jsoup.nodes.Document doc = Jsoup.parse(str);

        final List<String> wordList = new ArrayList<String>();

        doc.body().traverse(
            new NodeVisitor(){

                @Override
                public void head(Node arg0, int arg1) {
                    if(arg1 == 1)
                    {
                        //String value = Jsoup.parse(arg0.outerHtml()).text();
                        String value = arg0.outerHtml();
                        if(!wordList.contains(value))
                            wordList.add(arg0.outerHtml());

                    }

                }

                @Override
                public void tail(Node arg0, int arg1) {

                }
            }
        );


        for(String word: wordList)
        {
            System.out.println(word);
        }

        return "";
    }

    public static void main(String[] args)
    {
        System.out.println(parseHtml( "We are <b><i>very</i></b><b>a</b>mused!\nThank you." ));
    }
}

输出必须如下所示：

We are 
<b><i>very</i></b>
<b>a</b>
mused! Thank you.

2. C#版本

嗯，C#版本的源代码有一点不同，但过程是一样的(只需要一点改动)。

这是我的NodeVisitor版本的代码。

首先解析html内容。

Document doc = NSoupClient.Parse(str);

第二，从“body”标签中选择原句。

doc.Select("body").Traverse(new TestNodeVisitor(wordList));

完整的代码如下。

using NSoup;
using NSoup.Nodes;
using NSoup.Select;
using System;
using System.Collections.Generic;
using System.IO;
namespace NSoupTest
{

    class Program
    {

        private class TestNodeVisitor : NodeVisitor
        {
            List<String> wordList;

            public TestNodeVisitor(List<String> wordList)
            {
                this.wordList = wordList;
            }

            public void Head(Node node, int depth)
            {
                if(depth == 1)
                {
                    String value = node.OuterHtml();

                    if(!wordList.Contains(value))
                        wordList.Add(value);
                }

            }

            public void Tail(Node node, int depth)
            {

            }
        }


        public static String parseHtml( String str ) {
            Document doc = NSoupClient.Parse(str);


            List<String> wordList 
                = new List<String>();

            doc.Select("body").Traverse(new TestNodeVisitor(wordList));


            foreach (String word in wordList)
            {

                Console.WriteLine(word);
            }

            return "";
        }

        static void Main(string[] args)
        {
            try
            {
                parseHtml("We are <b><i>very</i></b><b>a</b>mused!\nThank you.");
            }
            catch (FileNotFoundException fe) {
                Console.WriteLine(fe.Message);
            }

        }
    }
}

输出也应该是

We are
<b><i>very</i></b>
<b>a</b>
mused! Thank you.

您可以从site中找到我当时使用的NSoup库(实际上，不是官方版本0.8.0)。

官方的NSoup站点是here，但没有访问者界面。

然后，您可以使用自己的方法来完成代码。

我必须告诉你，这只是你的目标的一种选择。

尊敬的，