HTML解析利器HtmlAgilityPack

 在以前的项目中周公曾有解析HTML的情况，当时是采用正则表达式一步步将无关的HTML注释及JS代码部分删除掉，然后再用正则表达式找出需要提取的部分，可以说使用正则表达式来做是一个比较繁琐的过程，特别是对于正则表达式不是很熟悉或者要处理的HTML很复杂的情况下。前一阵子周公还是通过这个办法将http://wz.csdn.net/zhoufoxcn上保存的网址导入到http://cang.baidu.com，本来还想将周公博客上的文章好好整理一下，但是考虑到使用正则真的是很繁琐也很麻烦，所以就一直没有动手。
 直到前两天在网上发现了一个.NET下的HTML解析类库HtmlAgilityPack。HtmlAgilityPack是一个支持用XPath来解析HTML的类库，在花了一点时间学习了解HtmlAgilityPack的API和XPath之后，周公就做了一个简单的工具完成了这个功能，目前在CSDN上周公博文的收集地址为：http://blog.csdn.net/zhoufoxcn/archive/2011/06/23/6564578.aspx，在51CTO上周公博文的收集地址为http://zhoufoxcn.blog.51cto.com/792419/595327。HtmlAgilityPack是一个开源的.NET类库，它的主页是http://htmlagilitypack.codeplex.com/，在这里可以下载到最新版的类库及API手册，此外还可以下载到一个用于调试的辅助工具。
 
 XPath简明介绍
 XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
 下面列出了最有用的路径表达式：
 nodename:选取此节点的所有子节点。
 /:从根节点选取。
 //:从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
 .:选取当前节点。
 ..:选取当前节点的父节点。
 例如有下面一段XML:
<?xml version="1.0" encoding="utf-8"?> <Articles> <Article> <Title>在ASP.NET中使用Highcharts js图表</title> <Url>http://zhoufoxcn.blog.51cto.com/792419/537324</Url> <CreateAt type="en">2011-04-07</price> </Article> <Article> <Title lang="eng">Log4Net使用详解（续）</title> <Url>http://blog.csdn.net/zhoufoxcn/archive/2010/11/23/6029021.aspx</Url> <CreateAt type="zh-cn">2010年11月23日</price> </Article> <Article> <Title>J2ME开发的一般步骤</title> <Url>http://blog.csdn.net/zhoufoxcn/archive/2011/06/12/6540223.aspx</Url> <CreateAt type="zh-cn">2011年06月12日</price> </Article> <Article> <Title lang="eng">PowerDesign高级应用</title> <Url>http://zhoufoxcn.blog.51cto.com/792419/166415</Url> <CreateAt type="zh-cn">2007-09-08</price> </Article> </Articles> 
  针对上面的XML文件，我们列出了带有谓语的一些路径表达式，以及表达式的结果：
 /Articles/Article[1]：选取属于Articles子元素的第一个Article元素。
 /Articles/Article[last()]：选取属于Articles子元素的最后一个Article元素。
 /Articles/Article[last()-1]：选取属于Articles子元素的倒数第二个Article元素。
 /Articles/Article[position()<3]：选取最前面的两个属于 bookstore 元素的子元素的Article元素。
 //title[@lang]：选取所有拥有名为lang的属性的title元素。
 //CreateAt[@type='zh-cn']：选取所有CreateAt元素，且这些元素拥有值为zh-cn的type属性。
 /Articles/Article[Order>2]：选取Articles元素的所有Article元素，且其中的Order元素的值须大于2。
 /Articles/Article[Order<3]/Title：选取Articles元素中的Article元素的所有Title元素，且其中的Order元素的值须小于3。
 
 HtmlAgilityPack API简明介绍
 在HtmlAgilityPack中常用到的类有HtmlDocument、HtmlNodeCollection、
HtmlNode和HtmlWeb等。
 其流程一般是先获取HTML，这个可以通过HtmlDocument的Load()或LoadHtml()来加载静态内容，或者也可以HtmlWeb的Get()或Load()方法来加载网络上的URL对应的HTML。
 得到了HtmlDocument的实例之后，就可以用HtmlDocument的DocumentNode属性，这是整个HTML文档的根节点，它本身也是一个HtmlNode，然后就可以利用HtmlNode的SelectNodes()方法返回多个HtmlNode的集合对象HtmlNodeCollection，也可以利用HtmlNode的SelectSingleNode()方法返回单个HtmlNode。
 
 HtmlAgilityPack实战
 下面是一个解析CSDN博客的代码实例：
using System; using System.Collections.Generic; using System.Text; using HtmlAgilityPack; using System.Text.RegularExpressions; namespace CrawlPageApplication { /** * 作者：周公 * 日期：2011-06-23 * Blog: http://blog.csdn.net/zhoufoxcn or http://zhoufoxcn.blog.51cto.com * Weibo: http://weibo.com/zhoufoxcn */ public class CSDN_Parser { private const string CategoryListXPath = "//html[1]/body[1]/div[1]/div[1]/div[2]/div[1]/div[1]/dl[1]/dd[3]/div[1]/ul[1]/li"; private const string CategoryNameXPath = "//li[1]/a[2]"; /// <summary> /// 分析博客首页 /// </summary> /// <param name="url"></param> /// <returns></returns> public static List<Category> ParseIndexPage(string url) { Uri uriCategory=null; List<Category> list = new List<Category>(40); HtmlDocument document = new HtmlDocument(); //注意，这里省略掉了使用本人其它类库中加载URL的类，而是直接加载本地的HTML文件 //string html = HttpWebUtility.ReadFromUrl(url, Encoding.UTF8); //document.LoadHtml(html); document.Load("CSDN_index.html", Encoding.UTF8); HtmlNode rootNode = document.DocumentNode; HtmlNodeCollection categoryNodeList = rootNode.SelectNodes(CategoryListXPath); HtmlNode temp = null; Category category = null; foreach (HtmlNode categoryNode in categoryNodeList) { temp = HtmlNode.CreateNode(categoryNode.OuterHtml); category = new Category(); category.Subject = temp.SelectSingleNode(CategoryNameXPath).InnerText; Uri.TryCreate(UriBase, temp.SelectSingleNode(CategoryNameXPath).Attributes["href"].Value, out uriCategory); category.IndexUrl = uriCategory.ToString(); category.PageUrlFormat=category.IndexUrl+"?PageNumber={0}"; list.Add(category); Category.CategoryDetails.Add(category.IndexUrl, category); } return list; } } } 
  当然实现类似的解析51CTO的博客文章数据的代码如下：
using System; using System.Collections.Generic; using System.Text; using HtmlAgilityPack; using System.Text.RegularExpressions; namespace CrawlPageApplication { /** * 作者：周公 * 日期：2011-06-23 * Blog: http://blog.csdn.net/zhoufoxcn or http://zhoufoxcn.blog.51cto.com * Weibo: http://weibo.com/zhoufoxcn */ public class CTO_Parser { private static Encoding PageEncoding = Encoding.GetEncoding("gb2312"); private static readonly Uri UriBase = new Uri("http://zhoufoxcn.blog.51cto.com"); private static string CategoryListXPath = "/html[1]/body[1]/div[5]/div[1]/div[1]/div[2]/ul[1]/li"; private static string CategoryNameXPath = "/li[1]/a[1]"; /// <summary> /// 分析博客首页 /// </summary> /// <param name="url"></param> /// <returns></returns> public static List<Category> ParseIndexPage(string url) { Uri uriCategory = null; List<Category> list = new List<Category>(40); HtmlDocument document = new HtmlDocument(); //string html = HttpWebUtility.ReadFromUrl(url, PageEncoding); //document.LoadHtml(html); document.Load("51cto_index.html", PageEncoding); HtmlNode rootNode = document.DocumentNode; HtmlNodeCollection categoryNodeList = rootNode.SelectNodes(CategoryListXPath); HtmlNode temp = null; Category category = null; foreach (HtmlNode categoryNode in categoryNodeList) { temp = HtmlNode.CreateNode(categoryNode.OuterHtml); if (temp.SelectSingleNode(CategoryNameXPath).InnerText != "全部文章") { category = new Category(); category.Subject = temp.SelectSingleNode(CategoryNameXPath).InnerText; Uri.TryCreate(UriBase, temp.SelectSingleNode(CategoryNameXPath).Attributes["href"].Value, out uriCategory); category.IndexUrl = uriCategory.ToString(); category.PageUrlFormat = category.IndexUrl + "/page/{0}"; list.Add(category); Category.CategoryDetails.Add(category.IndexUrl, category); } } return list; } } } 
  在上面的代码中出现了一个Category类，该类的定义如下：
using System; using System.Collections.Generic; using System.Text; namespace CrawlPageApplication { /** * 作者：周公 * 日期：2011-06-23 * Blog: http://blog.csdn.net/zhoufoxcn or http://zhoufoxcn.blog.51cto.com * Weibo: http://weibo.com/zhoufoxcn */ public class Category { public static Dictionary<string, Category> CategoryDetails { get; set; } public string Subject { get; set; } public string IndexUrl { get; set; } public int PageCount { get; set; } public string PageUrlFormat { get; set; } static Category() { CategoryDetails = new Dictionary<string, Category>(); } } } 
  为了鼓励大家动手尝试以及在本项目中使用了周公的私家类库，所以不提供全部源代码下载，这里提供周公操作的最终软件界面：
 
 
 
 
 总结：HtmlAgilityPack确实是一个功能强大、体积小的开源HTML解析类库，在本篇仅仅是介绍了其中几个类的用法，但光这些就足以供周公快速实现了许久没有实现的功能，如果让周公用正则表达式来实现类似的功能，时间肯定要比用这个长得多。
 说明：周公最近也在琢磨一些关于微博的应用，如果有相同爱好者或者在使用微博的读者，请围观周公的微博，网址是：http://weibo.com/zhoufoxcn。
 
 2011-06-24
 周公