如何使用HTML Agility Pack解包嵌套div并提取内部元素

核心思路 #

要实现多层嵌套div的扁平化，需要从最内层的div开始向上处理，避免外层节点修改导致遍历失效：

• 倒序遍历所有div节点（优先处理深层节点）
• 过滤子节点中的空白文本后，判断当前div是否仅包含div类型的子元素（即没有实际内容节点）
• 符合条件的话将该div的所有子节点迁移到父节点下，再删除当前冗余div

完整实现代码 #

using HtmlAgilityPack;

// 此处替换为你实际的HTML内容，注意原示例中<p>标签闭合为</span>属于笔误，已修正
var html = @"<div>
  <div>
    <div>
        <div>
          <span>Test 1</span>
          <p>Test 2</p>
        </div>
    </div>
  </div>
</div>";

var htmlDoc = new HtmlDocument();
htmlDoc.LoadHtml(html);

// 先获取所有div节点转为列表，倒序遍历避免节点修改导致遍历异常
var allDivs = htmlDoc.DocumentNode.Descendants("div").ToList();
for (int i = allDivs.Count - 1; i >= 0; i--)
{
    var currentDiv = allDivs[i];
    // 过滤掉空白文本节点，判断剩余有效子节点类型
    var validChildren = currentDiv.ChildNodes
        .Where(n => n.NodeType != HtmlNodeType.Text || !string.IsNullOrWhiteSpace(n.InnerText))
        .ToList();
    
    // 仅当当前div的有效子节点全是div、或本身是无内容的空div时做解包处理
    if (validChildren.All(n => n.Name == "div") || validChildren.Count == 0)
    {
        // 把子节点全部移到父节点下，放在当前div的前面
        foreach (var child in currentDiv.ChildNodes.ToList())
        {
            currentDiv.ParentNode.InsertBefore(child, currentDiv);
        }
        // 删除冗余的当前div
        currentDiv.Remove();
    }
}

// 输出处理后的结果
Console.WriteLine(htmlDoc.DocumentNode.OuterHtml);

运行输出 #

处理后的HTML和期望结果完全一致：

<div>
  <span>Test 1</span>
  <p>Test 2</p>
</div>

内容的提问来源于stack exchange，提问作者Speeds