C#解析HTML

第一种方法：用正则表达式来分析

[csharp]  view plain copy

1. 转自网上的一个实例：所有的href都抽取出来：  
2. using System;  
3. using System.Net;  
4. using System.Text;  
5. using System.Text.RegularExpressions;  
6. namespace HttpGet  
7. {  
8.     class Class1  
9.     {  
10.         [STAThread]  
11.         static void Main(string[] args)  
12.         {  
13.             System.Net.WebClient client = new WebClient();  
14.             byte[] page = client.DownloadData("http://www.google.com");  
15.             string content = System.Text.Encoding.UTF8.GetString(page);  
16.             string regex = "href=[\\\"\\\'](http:\\/\\/|\\.\\/|\\/)?\\w+(\\.\\w+)*(\\/\\w+(\\.\\w+)?)*(\\/|\\?\\w*=\\w*(&\\w*=\\w*)*)?[\\\"\\\']";  
17.             Regex re = new Regex(regex);  
18.             MatchCollection matches = re.Matches(content);  
19.   
20.             System.Collections.IEnumerator enu = matches.GetEnumerator();  
21.             while (enu.MoveNext() && enu.Current != null)  
22.             {  
23.                 Match match = (Match)(enu.Current);  
24.                 Console.Write(match.Value + "\r\n");  
25.             }  
26.         }  
27.     }  
28. }  
29.   
30. 一些爬虫的HTML解析中也是用的类似的方法。  

第二中方法： 利用Winista.Htmlparser.Net 解析Html

1.  下载：

http://www.netomatix.com/Products/DocumentManagement/HTMLParserNet.aspx

2. 使用实例1

[csharp]  view plain copy

1. using System;  
2. using System.Collections.Generic;  
3. using System.ComponentModel;  
4. using System.Data;  
5. using System.Drawing;  
6. using System.Linq;  
7. using System.Text;  
8. using System.Windows.Forms;  
9. using Winista.Text.HtmlParser;  
10. using Winista.Text.HtmlParser.Lex;  
11. using Winista.Text.HtmlParser.Util;  
12. using Winista.Text.HtmlParser.Tags;  
13. using Winista.Text.HtmlParser.Filters;  
14.   
15.   
16. namespace HTMLParser  
17. {  
18.     public partial class Form1 : Form  
19.     {  
20.         public Form1()  
21.         {  
22.             InitializeComponent();  
23.             AddUrl();  
24.         }  
25.   
26.         private void btnParser_Click(object sender, EventArgs e)  
27.         {  
28.             #region 获得网页的html  
29.             try  
30.             {  
31.   
32.                 txtHtmlWhole.Text = "";  
33.                 string url = CBUrl.SelectedItem.ToString().Trim();  
34.                 System.Net.WebClient aWebClient = new System.Net.WebClient();  
35.                 aWebClient.Encoding = System.Text.Encoding.Default;  
36.                 string html = aWebClient.DownloadString(url);  
37.                 txtHtmlWhole.Text = html;  
38.             }  
39.             catch (Exception ex)  
40.             {  
41.                 MessageBox.Show(ex.Message);  
42.             }  
43.             #endregion  
44.  
45.             #region 分析网页html节点  
46.             Lexer lexer = new Lexer(this.txtHtmlWhole.Text);  
47.             Parser parser = new Parser(lexer);  
48.             NodeList htmlNodes = parser.Parse(null);  
49.             this.treeView1.Nodes.Clear();  
50.             this.treeView1.Nodes.Add("root");  
51.             TreeNode treeRoot = this.treeView1.Nodes[0];  
52.             for (int i = 0; i < htmlNodes.Count; i++)  
53.             {  
54.                 this.RecursionHtmlNode(treeRoot, htmlNodes[i], false);  
55.             }  
56.  
57.             #endregion  
58.   
59.         }  
60.   
61.         private void RecursionHtmlNode(TreeNode treeNode, INode htmlNode, bool siblingRequired)  
62.         {  
63.             if (htmlNode == null || treeNode == null) return;  
64.   
65.             TreeNode current = treeNode;  
66.             TreeNode content ;  
67.             //current node  
68.             if (htmlNode is ITag)  
69.             {  
70.                 ITag tag = (htmlNode as ITag);  
71.                 if (!tag.IsEndTag())  
72.                 {  
73.                     string nodeString = tag.TagName;  
74.                     if (tag.Attributes != null && tag.Attributes.Count > 0)  
75.                     {  
76.                         if (tag.Attributes["ID"] != null)  
77.                         {  
78.                             nodeString = nodeString + " { id=\"" + tag.Attributes["ID"].ToString() + "\" }";  
79.                         }  
80.                         if (tag.Attributes["HREF"] != null)  
81.                         {  
82.                             nodeString = nodeString + " { href=\"" + tag.Attributes["HREF"].ToString() + "\" }";  
83.                         }  
84.                     }  
85.                       
86.                     current = new TreeNode(nodeString);  
87.                     treeNode.Nodes.Add(current);  
88.                 }  
89.             }  
90.   
91.             //获取节点间的内容  
92.             if (htmlNode.Children != null && htmlNode.Children.Count > 0)  
93.             {  
94.                 this.RecursionHtmlNode(current, htmlNode.FirstChild, true);  
95.                 content = new TreeNode(htmlNode.FirstChild.GetText());  
96.                 treeNode.Nodes.Add(content);  
97.             }  
98.   
99.             //the sibling nodes  
100.             if (siblingRequired)  
101.             {  
102.                 INode sibling = htmlNode.NextSibling;  
103.                 while (sibling != null)  
104.                 {  
105.                     this.RecursionHtmlNode(treeNode, sibling, false);  
106.                     sibling = sibling.NextSibling;  
107.                 }  
108.             }  
109.         }  
110.         private void AddUrl()  
111.         {  
112.             CBUrl.Items.Add("http://www.hao123.com");  
113.             CBUrl.Items.Add("http://www.sina.com");  
114.             CBUrl.Items.Add("http://www.heuet.edu.cn");  
115.         }  
116.   
117.           
118.   
119.     }  
120. }  

运行效果：
实现取来很容易，结合Winista.Htmlparser源码很快就可以实现想要的效果。

3. 使用实例2

[csharp]  view plain copy

1. using Winista.Text.HtmlParser;  
2.   
3. using Winista.Text.HtmlParser.Tags;  
4.   
5. using Winista.Text.HtmlParser.Filters;  
6.   
7. using Winista.Text.HtmlParser.Util;  
8.   
9.             string str = "<table><tr><td>姓名</td><td>林肯</td></tr><tr><td>年龄</td><td>28</td></tr><tr><td>性别</td><td>男</td></tr><tr><td>姓名</td><td>克林顿</td></tr><tr><td>年龄</td><td>38</td></tr><tr><td>性别</td><td>男</td></tr></table>";  
10.   
11.             Parser parser = Parser.CreateParser( str , null );  
12.   
13.             NodeList nodes = parser.ExtractAllNodesThatMatch( new TagNameFilter("td") );  
14.   
15.             this.Page.Response.Write("<b>原来的html:</b>" + str  );  
16.   
17.             this.Page.Response.Write("<b>转换后的html:</b><br>" );  
18.   
19.             for( int i = 5 ; i >= 0 ; i-- )  
20.   
21.             {  
22.   
23.                 this.Page.Response.Write( nodes[i*2].FirstChild.ToHtml() + nodes[i*2+1].FirstChild.GetText() + "<br>" );  
24.   
25.             }  

运行结果如下：

原来的html:

姓名	林肯
年龄	28
性别	男
姓名	克林顿
年龄	38
性别	男

转换后的html:

性别男

年龄38

姓名克林顿

性别男

年龄28

姓名林肯

0

0