在.net中运用HTMLParser解析网页的原理和方法

在.net中运用HTMLParser解析网页的原理和方法

本文介绍了.net 版的一个HTMLParser网页解析开源类库（Winista.HTMLParser）的功能特性、工作原理和使用方法。对于使用.net进行Web信息提取的开发人员进行了一次HTMLParser的初步讲解。应用实例将会在日后的文中介绍，敬请关注。  

一、背景知识
    HTMLParser原本是一个在sourceforge上的一个Java开源项目，使用这个Java类库可以用来线性地或嵌套地解析HTML文本。他的功能强大和开源等特性吸引了大量Web信息提取的工作者。然而，许多.net开发者朋友一直在寻找一种能在.net中使用的HTMLParser类库，笔者将介绍Winista.HTMLParser类库，对比于其他原本数量就非常少的.net版HTMLParser类库，Winista的版本的类库结构可以说更接近于原始Java版本。
    该类库目前分为Utltimate、Pro、Lite和Community四个版本，前三个版本都是收费的。只有Community版本可以免费下载并查看所有的源码。
当前Community最新版本1.8 下载。
该版本的类库文档下载。

二、功能和特性
    1.可以在任何.net语言中使用（C#,VB.net,J#等）
    2.可以解析几乎所有的Html标签，并且可以通过标签类别、属性或正则表达式来搜索标签。有些甚至在Java版本中无法支持的标签也在这个版本中得到了支持。
    3.设置可扩展的过滤器来过滤结果集中不需要的标签。
    4.高性能的API接口使得你能处理许多常见的问题，如：哪些是页面中的外部链接？哪些是图片？哪些是不同的表格？页面中有错误的链接吗等等问题。
    5.一个基于Http协议引擎的配置文件使得你能通过一个指定的URL地址来获得该页面内容。该爬虫可以遵循robot.txt协议文件来获得组织和允许访问的列表。
    6.Http协议引擎能够完整地处理来自任何站点的反馈。

三、词法分析的工作原理
    HTMLParser的词法分析器对HTML进行了4级封装，从低级到高级的顺序为：ParserStream、Source、Page、Lexer。ParserStream负责从文件中获取二进制数据，但不做任何处理。Source把二进制文件转换成相应的字符序列，存储一组未加工的字符序列。Page可以看成是一个string数组，按行存储一个Source文本的每一行第一个字符开始的位置索引。Lexer包含了词法分析的代码，从Page里读取字符串，用Cursor记录当前字符所在位置，通过状态机来生成Nodes节点。
    Lexer中真正执行词法分析的是NextCode()方法，它每次词都查找返回下一个Node节点，直到Page结束。算法描述如下：
    1.读入一个字符，判断是否已是页尾，是则返回null。
    2.判断是否是"<"，如果是，则可能是标签入口，需读取下一字符确认。
    3.如果都不是，ParserString状态机开始解析一个StringNode，如果是"<"，继续读取下一字符。
    4.判断是否到页尾，是则产生一个StringNode返回。
    5.如果读取到"%"，则说明是JSP标签，进入JSP状态机去解析。
    6.如果读取到"?"，则说明是XML标签，进入XML状态机去解析。
    7.如果读取到"/"或任何字母，说明是Tag标签，进入Tag标签状态机去解析。
    8.如果读取到"!"，则说明进入了一个注释标签，需要再读取一个字符，如果到页尾，则产生一个StringNode返回，如果字符为">"则生成一个RemarkNode返回，否则    回退一个字符，再判断字符如果是"-"则回退一个字符，进入Remark状态机去解析，如果不是，则回退一个字符进入Tag状态机去解析。

四、三种使用方法的比较
1.使用Lexer词法分析器直接解析HTML。
    这样的方法较为底层，只能返回一个线性的Node节点序列，通过Lexer.NextNode()方法获得下一个Node的信息。虽然不够方便，但有时可完成一些较为灵活的工作。
    调用的方法是(传入string类型的html代码)：

    Lexer lexer = new Lexer(htmlcode);
    INode node = lexer.NextNode();
    Console.Write(node.ToString());

    返回结果是该页面的第一个标签"html"的Node结点信息。

2.使用Filter结点过滤模式。
    如果你有一些很明确的结点需要提取，那么就该使用Filter结点过滤模式。系统定义了17种具体的Filter，根据不同的过滤条件来获得需要的结点。包括依据结点父子关系的Filter，连接Filter组合的Filter，依据网页内容匹配情况的filter，等等。我们也可以继承 Filter做自己的Filter来提取节点。

    NodeList nodeList = myParser.parse(someFilter);
解析之后，我们可以采用：
    INode[] nodes = nodeList.toNodeArray();

来获取节点数组，也可以直接访问：
    INode node = nodeList.elementAt(i);
来获取Node。
另外，在Filter后得到NodeList以后，我们仍然可以使用nodeList.extractAllNodesThatMatch(someFilter)来进一步过滤，同时又可以用nodeList.visitAllNodesWith(someVisitor)来做进一步的访问。

3.使用Visitor结点访问模式
   如果你希望HTMLParser遍历所有的结点，并按结点的不同类型（StringNode、RemarkNode、TagNode）和不同的访问过程来进行不同操作的话，可以使用Visitor模式。NodeVisitor是一个抽象类，分别定义了如下方法：
    BeginParsing():解析前进行的操作
    VitisTag():访问到开始标签时的操作
    VisitEndTag():访问到结束标签时的操作
    VisitStringNode():访问到文本结点时的操作
    VisitRemarkNode():访问注释结点时的操作
自己定义一个类并继承NodeVisitor类，实现以上几个方法，即完成Visitor模式的访问类。系统也提供了7个具体的结点访问类，具体见上文提供的类库文档。不过这7个类并不实用，大多数的功能还需要自己来扩充定义。调用方法：
     Parser parser = Parser.CreateParser((htmlcode), "GBK");//传入string类型的html代码
  NodeVisitor visitor = new LinkFindingVisitor(linktext); //以链接查找的Visitor举例
    parser.VisitAllNodesWith(visirot); 

灵活使用以上三种模式的结合，相信就可以提取到任何我们所需要的信息了。