从HTML中抓取不是来自头的内部文本

Question

使用HTMLAgilityPack for C#，我将如何从不是来自<h1-6>的HTML中获取内部文本。我不想使用正则表达式，但是使用HTMLAgilityPack。

我目前的做法是：

var document = new HtmlDocument();
document.LoadHtml (text);
text = document.DocumentNode.SelectSingleNode ("//body").InnerText;

在处理大量文本时，这是有问题的，也不太有效。最好是删除标题标签，然后抓取内部文本。

谢谢!

Answer 1

只需删除不需要的标记，然后获取body.innerText：

string[] tagsToRemove = { "h1", "h2", "h3", h4", "h5", "h6" };
List<string> tagsToRemoveList = tagsToRemove.ToList();
doc.DocumentNode.Descendants()
    .Where(n => tagsToRemoveList.Contains(n..Name.ToLowerCase()))
    .ToList()
    .ForEach(n => n.Remove());