开源项目Html Agility Pack实现快速解析Html
C# 2013/6/27 11:56:36 1225

这是个很好的的东西,以前做Html解析都是在用htmlparser,用的虽然顺手,但解析速度较慢,碰巧今天找到了这个,就拿过来试,一切出乎意料,非常爽,推荐给各位使用。

下面是一些简单的使用技巧,希望对大家有用,我个人也是个学习过程。

 

Why Html Agility Pack? (以下简称HAP)

.Net下解析HTML文件有很多种选择,包括微软自己也提供MSHTML用于manipulate HTML文件。但是,经过我一段时间的搜索,Html Agility Pack浮出水面:它是Stackoverflow网站上推荐最多的C# HTML解析器。HAP开源,易用,解析速度快。

How to use HAP?

1. 下载http://htmlagilitypack.codeplex.com/

2. 解压

3. 在Visual Studio Solution里,右击project -> add reference -> 选择解压文件夹里的HTMLAgilityPack.dll -> 确定

4. 代码头部加入 using HtmlAgilityPack;

Done!

 

  1. HtmlWeb webClient = new HtmlWeb();    
  2. HtmlDocument doc = webClient.Load("http://xxx");    
  3.     
  4. HtmlNodeCollection hrefList = doc.DocumentNode.SelectNodes(".//a[@href]");    
  5.     
  6. if (hrefList != null)    
  7. {    
  8.      foreach (HtmlNode href in hrefList)    
  9.      {    
  10.         HtmlAttribute att = href.Attributes["href"];    
  11.         doSomething(att.Value);    
  12.     
  13.      }    
  14.     
  15. }    

 

 

Q: 如何根据ID选择HTML结点?

A: 利用@id='xxx', e.g.,

 

  1. HtmlNode bugSum = doc.DocumentNode.SelectSingleNode("//h2[@id='summary']");    

 

 

Q: 如何得到结点的文字内容或Html内容?

 

  1. node.InnerText.Trim()    
  2. node.InnerHtml    
  3. node.OuterHtml    

 

Q: 如何在html树结构下查找结点?

A: 比如从根节点查找id=container的div下的第一个table:

 

  1. HtmlNode table = doc.DocumentNode.SelectSingleNode("//div[@id='container']/table[1]");    

 

 

注意路径里"//"表示从根节点开始查找,两个斜杠‘//’表示查找所有childnodes;一个斜杠'/'表示只查找第一层的childnodes(即不查找grandchild);点斜杠"./"表示从当前结点而不是根结点开始查找。接上一行代码,比如要查找table所有直接子结点的tr:

  1. HtmlNodeCollection tr = table.SelectNodes("./tr");   

 

Q: 如何得到结点的ID?

A: 很简单: node.ID

Q: 如果一段html存在字符串里,是否可以用Html Agility Pack进行处理?

A:可以,先将字符串load进来,之后的处理方法一样:

  1. <pre name="code" class="csharp">//load the original html     
  2. string html = "some html stuff"    
  3. HtmlDocument doc = new HtmlDocument();    
  4. doc.LoadHtml(@html);    

 

Q: 我对load进来的html进行了一些处理,比如改变了一些结点内容,删除了一些结点什么的,为什么结果却没有变化?

A: 也许你忘记save你对html的改变了,假设html存在字符串中:

  1. //load the original html     
  2. string html = "some html stuff"    
  3. HtmlDocument doc = new HtmlDocument();    
  4. doc.LoadHtml(@html);    
  5.     
  6. //make some changes     
  7. doSomething();    
  8.     
  9. //save the change     
  10. var sb = new StringBuilder();    
  11. using (var writer = new StringWriter(sb))    
  12. {    
  13.     doc.Save(writer);    
  14. }    

 

Q: 如何去掉外层的html tag只留下内容?

A: 用remove方法。假设结点<a href=xxx>ABCD</a>,你想留下ABCD而不要<a></a>,那你需要先得到这个Html结点,假设叫link:

  1. link.ParentNode.RemoveChild(link,true);    

 

参数true表示留下grandchild,在这里即内容ABCD; false表示将此结点连同其grandchilds一起删除。

规则有很多,网上提供了源代码,可以研究一下,还有源代码有乱码问题,是字符集的问题,只需要写一个方法来自动判断就可以解决了

评论列表(登陆后进行留言) 更多...
  • 没有任何回答

验证码