c 下.net结合html,C#下解析HTML的两种方法介绍

在搜索引擎的开发中，我们需要对Html进行解析。本文介绍C#解析HTML的两种方法。

AD：

在搜索引擎的开发中，我们需要对网页的Html内容进行检索，难免的就需要对Html进行解析。拆分每一个节点并且获取节点间的内容。此文介绍两种C#解析Html的方法。

C#解析Html的第一种方法：

用System.Net.WebClient下载Web Page存到本地文件或者String中，用正则表达式来分析。这个方法可以用在Web Crawler等需要分析很多Web Page的应用中。

估计这也是大家最直接，最容易想到的一个方法。

转自网上的一个实例：所有的href都抽取出来：using System;

using System.Net;

using System.Text;

using System.Text.RegularExpressions;

namespace HttpGet

{

class Class1

{

[STAThread]

static void Main(string[] args)

{

System.Net.WebClient client = new WebClient();

byte[] page = client.DownloadData("http://www.google.com");

string content = System.Text.Encoding.UTF8.GetString(page);

string regex = "href=[\\\"\\\'](http:\\/\\/|\\.\\/|\\/)?\\w+(\\.\\w+)*(\\/\\w+(\\.\\w+)?)*(\\/|\\?\\w*=\\w*(&\\w*=\\w*)*)?[\\\"\\\']";

Regex re = new Regex(regex);

MatchCollection matches = re.Matches(content);

System.Collections.IEnumerator enu = matches.GetEnumerator();

while (enu.MoveNext() && enu.Current != null)

{

Match match = (Match)(enu.Current);

Console.Write(match.Value + "\r\n");

}

}

}

}

C#解析Html的第二种方法：

利用Winista.Htmlparser.Net 解析Html。这是.NET平台下解析Html的开源代码，网上有源码下载，百度一下就能搜到，这里就不提供了。并且有英文的帮助文档。找不到的留下邮箱。

个人认为这是.net平台下解析html不错的解决方案，基本上能够满足我们对html的解析工作。

自己做了个实例：using System;

using System.Collections.Generic;

using System.ComponentModel;

using System.Data;

using System.Drawing;

using System.Linq;

using System.Text;

using System.Windows.Forms;

using Winista.Text.HtmlParser;

using Winista.Text.HtmlParser.Lex;

using Winista.Text.HtmlParser.Util;

using Winista.Text.HtmlParser.Tags;

using Winista.Text.HtmlParser.Filters;

namespace HTMLParser

{

public partial class Form1 : Form

{

public Form1()

{

InitializeComponent();

AddUrl();

}

private void btnParser_Click(object sender, EventArgs e)

{

#region 获得网页的html

try

{

txtHtmlWhole.Text = "";

string url = CBUrl.SelectedItem.ToString().Trim();

System.Net.WebClient aWebClient = new System.Net.WebClient();

aWebClient.Encoding = System.Text.Encoding.Default;

string html = aWebClient.DownloadString(url);

txtHtmlWhole.Text = html;

}

catch (Exception ex)

{

MessageBox.Show(ex.Message);

}

#endregion

#region 分析网页html节点

Lexer lexer = new Lexer(this.txtHtmlWhole.Text);

Parser parser = new Parser(lexer);

NodeList htmlNodes = parser.Parse(null);

this.treeView1.Nodes.Clear();

this.treeView1.Nodes.Add("root");

TreeNode treeRoot = this.treeView1.Nodes[0];

for (int i = 0; i < htmlNodes.Count; i++)

{

this.RecursionHtmlNode(treeRoot, htmlNodes[i], false);

}

#endregion

}

private void RecursionHtmlNode(TreeNode treeNode, INode htmlNode, bool siblingRequired)

{

if (htmlNode == null || treeNode == null) return;

TreeNode current = treeNode;

TreeNode content ;

//current node

if (htmlNode is ITag)

{

ITag tag = (htmlNode as ITag);

if (!tag.IsEndTag())

{

string nodeString = tag.TagName;

if (tag.Attributes != null && tag.Attributes.Count > 0)

{

if (tag.Attributes["ID"] != null)

{

nodeString = nodeString + " { id=\"" + tag.Attributes["ID"].ToString() + "\" }";

}

if (tag.Attributes["HREF"] != null)

{

nodeString = nodeString + " { href=\"" + tag.Attributes["HREF"].ToString() + "\" }";

}

}

current = new TreeNode(nodeString);

treeNode.Nodes.Add(current);

}

}

//获取节点间的内容

if (htmlNode.Children != null && htmlNode.Children.Count > 0)

{

this.RecursionHtmlNode(current, htmlNode.FirstChild, true);

content = new TreeNode(htmlNode.FirstChild.GetText());

treeNode.Nodes.Add(content);

}

//the sibling nodes

if (siblingRequired)

{

INode sibling = htmlNode.NextSibling;

while (sibling != null)

{

this.RecursionHtmlNode(treeNode, sibling, false);

sibling = sibling.NextSibling;

}

}

}

private void AddUrl()

{

CBUrl.Items.Add("http://www.hao123.com");

CBUrl.Items.Add("http://www.sina.com");

CBUrl.Items.Add("http://www.heuet.edu.cn");

}

}

}

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。

小结：

简单介绍了两种C#解析Html的的方法，大家有什么其他好的方法还望指教。

更多C#下解析HTML的两种方法介绍相关文章请关注PHP中文网！

声明：本文原创发布php中文网，转载请注明出处，感谢您的尊重！如有疑问，请联系admin@php.cn处理