C# と VB.NET の質問掲示板

■No41570 (RT さん) に返信
> HTMLコードに対する行番号です。

完全に把握するのは無理だと思いますよ。

以前にも少し触れていますが、
http://bbs.wankuma.com/index.cgi?mode=al2&namber=40662&KLOG=70
InnerHtml 等から得た値というのは、HTML を解析して Document Object Model として
再構築された結果であって、改行位置などの生の HTML ソースの情報を
そのまま維持しているという訳では無いからです。


たとえ、元の HTML が
<p
 class="sample"
 ><input
 value="あいうえお"
 ><font
 size="+2"
 >かきくけこ</font
 ></p>
の 8 行で構成されていたとしても、InnerHtml 等から得られる文字列は、
<P class=sample><INPUT value=あいうえお><FONT size=+2>かきくけこ</FONT></P>
の 1 行になってしまい可能性があります。


private void Form1_Load(object sender, EventArgs e)
{
    this.webBrowser1.Navigate(@"C:\sample\sample.html");
}

private void button1_Click(object sender, EventArgs e)
{
    // .Multiline = true の状態であること
    textBox1.Text = webBrowser1.Document.Body.InnerHtml;
    textBox2.Text = new StreamReader(webBrowser1.DocumentStream).ReadToEnd();
}

■No41596 (RT さん) に返信
> InnerTextで、ウェブブラウザに表示したページから、テキストデータをとる際に、\r\nのようなHTMLコードにはない
> 内部コードのような、よけいなデータが紛れ込むのですが、それはなぜでしょうか？

答えにくい質問なのですが、端折って説明すると、そもそも HTML コードの改行とテキストの表記は
別物であるという事です。<p> や <div> や <textarea> や <pre> など、それぞれの要素に併せて
テキストとしての改行の取り扱いは異なってきます。


例えば、元の HTML が
　<span>abc<p>def</p><p>ghi<br>jkl</p></span>
という“改行無し”の 1 行であったとしても、InnerText は
　『abc[\r][\n]def[\r][\n]ghi[\r][\n]jkl』
という“改行 3 つ”を含んだデータとなりえます。

その逆に、改行の存在が見えなくなるケースもあります。例えば、
　<span>abc[\r][\n][\t][\r][\n]xyz</span>　… [\*] の部分は、CR/LF/TAB に読み替えてください。
や
　<span>abc&#13;&#10;&#9;&#13;&#10;xyz</span>　… 10進による数値文字参照
といった HTML があった場合、連続する改行やタブが一個の空白に置き換えられ、
テキストとしては『abc xyz』へとレンダリングされる仕様です。


そのように処理される理由は「そういう仕様あるいは実装になっているから」としか
答える事ができないのですが、各社の DOM によって実装に差異がある場合もありますし、
MSHTML に限定してみても、IE のバージョンで差がでる事もあります。
http://support.microsoft.com/kb/811037/en-us

■No41610 (RT さん) に返信
>>　<span>abc[\r][\n][\t][\r][\n]xyz</span>　… [\*] の部分は、CR/LF/TAB に読み替えてください。
> CR/LF/TAB に読み替えるとは、どういう事でしょうか？

[\t] をタブに、
[\r] をキャリッジリターンに、
[\n] をラインフィードに、それぞれ 1 文字ずつ置き換えてください、という事です。

掲示板への投稿では、タブ文字や復帰改行などは判読し難いので、
先の投稿では、[\t]のような表現に置き換えて記述した次第です。


これらは、C# におけるエスケープ シーケンス 表現を真似た物です。
たとえばタブ文字を表現する場合、C# では下記のいずれの書き方もできますよね。

string a = "\t";
string b = "\x9";
string c = "	";
Console.WriteLine(a == b);  // True
Console.WriteLine(b == c);  // True
Console.WriteLine(c == a);  // True