Html Agility Pack实现快速解析Html

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!

HtmlWeb webClient = new HtmlWeb();    
HtmlDocument doc = webClient.Load("http://xxx");    
    
HtmlNodeCollection hrefList = doc.DocumentNode.SelectNodes(".//a[@href]");    
    
if (hrefList != null)    
{    
     foreach (HtmlNode href in hrefList)    
     {    
        HtmlAttribute att = href.Attributes["href"];    
        doSomething(att.Value);    
     }    
    
}   

Q: 如何根据ID选择HTML结点？

A: 利用@id='xxx', e.g.,

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

 

Q: 如何得到结点的文字内容或Html内容？

 node.InnerText.Trim()    
 node.InnerHtml    
 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:

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:

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：

<pre name="code" class="csharp">//load the original html     
string html = "some html stuff"    
HtmlDocument doc = new HtmlDocument();    
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：

    //load the original html     
    string html = "some html stuff"    
    HtmlDocument doc = new HtmlDocument();    
    doc.LoadHtml(@html);    
        
    //make some changes     
    doSomething();    
        
    //save the change     
    var sb = new StringBuilder();    
    using (var writer = new StringWriter(sb))    
    {    
        doc.Save(writer);    
    }    

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:

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

转载于:https://my.oschina.net/yizongjishi/blog/1862214