【已解决】C#用HtmlAgilityPack执行Html解析时，发现InnerText中包含javascript，要去除Javascript

【问题】

C#中，中HtmlAgilityPack，去解析：

http://www.amazon.com/Kindle-Fire-HD/dp/B0083PWAPW/ref=lp_1055398_1_2?ie=UTF8&qid=1369721900&sr=1-2

的html中的：

时，发现对应的源码是：

然后用HtmlAgilityPack解析后，结果发现其中的InnerText却是：

而不是所希望的：

即，需要去除InnerText中的Javascript。

【解决过程】

1.参考之前就看过的：

向HtmlAgilityPack道歉：解析HTML还是你好用

和对应的：

C#: HtmlAgilityPack extract inner text

然后调试了半天，最终用：

//remove sub node from current html node
//eg: 
//"script"
//for
//<script type="text/javascript"> 
public HtmlNode removeSubHtmlNode(HtmlNode curHtmlNode, string subNodeToRemove)
{
    HtmlNode afterRemoved = curHtmlNode;
    HtmlNodeCollection foundAllSub = curHtmlNode.SelectNodes(subNodeToRemove);
    if ((foundAllSub!= null ) && (foundAllSub.Count > 0))
    {
        foreach (HtmlNode subNode in foundAllSub)
        {
            curHtmlNode.RemoveChild(subNode);
        }
    }
    
    //foreach (var subNode in afterRemoved.Descendants(subNodeToRemove))
    //{
    //    //An unhandled exception of type 'System.InvalidOperationException' occurred in mscorlib.dll
    //    //Additional information: Collection was modified; enumeration operation may not execute.
    //    afterRemoved.RemoveChild(subNode);
    //    curHtmlNode.RemoveChild(subNode);
        
    //    //subNode.Remove();
    //}

    return afterRemoved;
}

HtmlNode curBulletNode = allBulletNodeList[idx];

HtmlNode noJsNode = crl.removeSubHtmlNode(curBulletNode, "script");
HtmlNode noStyleNode = crl.removeSubHtmlNode(curBulletNode, "style");

string bulletStr = noStyleNode.InnerText;

而解决了问题。

其中可以看出：

1.那人给出的例子中，用

htmlDoc.DocumentNode.Descendants("script")

找到子节点，然后用

script.Remove();

去删除，是可以的。

2.但是此处如果用，当前的Html节点，做类似的处理：

foreach (var subNode in afterRemoved.Descendants(subNodeToRemove))
{
    //An unhandled exception of type 'System.InvalidOperationException' occurred in mscorlib.dll
    //Additional information: Collection was modified; enumeration operation may not execute.
    afterRemoved.RemoveChild(subNode);
    curHtmlNode.RemoveChild(subNode);
  
    //subNode.Remove();
}

就会出现注释中提示的错误：

Additional information: Collection was modified; enumeration operation may not execute.

即，在枚举Collection中，删除其中的值，是不允许的。

所以才想了别的办法去实现类似的remove的效果的。

【总结】

实现类似的删除的效果，真的是累屎了。。。。

删除根节点其下的子节点，好删；

删除当前某个节点下的节点，难删。（后来调试中，发现，其实执行subNode.Remove(); 时，已经删除成功了，但是接着还是会去执行foreach循环，导致报错的。。。）

转载请注明：在路上 » 【已解决】C#用HtmlAgilityPack执行Html解析时，发现InnerText中包含javascript，要去除Javascript