1.下载HtmlAgilityPack.dll并将其添加引用到项目中,然后在代码中声明引用。
下载地址:http://www.codeplex.com/htmlagilitypack
引用:
2.下载获取HTML页面的步骤和我上篇文章里介绍的差不多,都是先用WebClient或者WebRequest类来下载HTML页面然后处理成字符串。
3.与上次不同的是,这里分析和抓取HTML节点中的数据不再是之前那种STRING字符串操作的方式,而是封装成一个HtmlDocument对象,通过HtmlDocument中的方法来索引你需要抓取HTML节点,进而取出节点中的值。
4.若需要抓取的节点有ID,类似“<div id='post_list'>value</div>”这种,那很简单只需调用GetElementbyId方法根据节点ID即可获 取所需节点。从而通过HtmlNode中的InnerText或Attribute属性来获取你想要的值。
CODE:
HtmlDocument doc = new HtmlDocument();
// 载入HTML
doc.LoadHtml(mainData);
// 根据HTML节点NODE的ID获取节点
HtmlNode navNode = doc.GetElementbyId( " post_list " );
5.但很多情况下HTML节点是没有ID的,那就需要通过XPATH语言来查找匹配所需节点(XPath教程)。以抓取博客园首页文章为例,通过查看博客园HTML可以发现博客园首页里的文章列表都是放在一个ID为"post_list"的"<div>"节点中的。
这样的话就可以通过调用GetElementbyId方法来定位到这个节点了。
6.在获取到"post_list"节点后,接下来就可以调用SelectSingleNode方法通过XPATH表达式来索引出需要抓取的节点,从而抓取到文章的标题和链接地址。
(PS:在博客园首页"post_list"节点里,平均每4个DIV就是一篇新的文章可以利用这一规律遍历出首页所有文章)
CODE:
HtmlDocument doc = new HtmlDocument();
// 载入HTML
doc.LoadHtml(mainData);
// 根据HTML节点NODE的ID获取节点
HtmlNode navNode = doc.GetElementbyId( " post_list " );
// 根据XPATH来索引节点
HtmlNode navNode2 = navNode.SelectSingleNode( " //div[2]/h3/a " );
// 获取文章链接地址
string articleTitle = navNode2.Attributes[ " href " ].Value.ToString();
// 获取文章标题
string articleName = navNode2.InnerText;
对比一下之前使用string截取字符串的方法:
mainData = mainData.Substring(mainData.IndexOf( " <a class=\"titlelnk\" href=\" " ) + 26 );
// 获取文章页面的链接地址
string articleAddr = mainData.Substring( 0 ,mainData.IndexOf( " \" " ));
// 获取文章标题
string articleTitle = mainData.Substring(mainData.IndexOf( " target=\"_blank\"> " ) + 16 ,
mainData.IndexOf( " </a> " ) - mainData.IndexOf( " target=\"_blank\"> " ) - 16 );
可见与之前相比,使用HtmlAgilityPack.HtmlDocument类来实现前台HTML的分析和采集在页面编码和数据分析上面处理更加合理、优化,代码也更加简洁。
目前只是粗浅地学了一下HtmlAgilityPack提取HTML节点数值的应用,更多应用以及采集速度的优化处理等方面尚未仔细研究,还望高人指点。