别在迷恋正则表达式解析html了，好吗？

  近段时间在论坛上面兴起了一股正则之风，不论做什么都喜欢用正则

  你在后台解析json格式字符串，必须要用正则，好吧，你可能不知道用JavaScriptSerializer类，

  你解析类似www.xxx.com?a=a1&b=b2&c=c3的querystring参数，必须用正则，好吧，你也可能不知道string.split方法

  你解析html你还必须用正则，好吧，这就真没有必要了，因为在解析html用到正则的时候你很多时候就不得不用到平衡组，你很有可能卡在这里

  正则的强大性与通用性就不提了，一般的处理完全够用了，你完全可以自己去“系统”的学习(注:系统学习正则)，在配上RegexBuddy或者在线的正则(注:附注会提到内容)的工具就可以掌握一些常用的用法

  但是去解析html，还是用专业的库去解析吧，虽然条条大路通罗马，你真没必要以铁人三项的精神去做用正则死嗑html。

  其实解析html的库有满多不错的，如HtmlAgilityPack，又或者Jumony，以及Java的解析库htmlparser(有.net版的)，下面列一个小例子:

   地址:http://feedback.ebay.com/ws/eBayISAPI.dll?ViewFeedback2&ftab=AllFeedback&userid=paragad&iid=-1&de=off&items=25&interval=0&mPg=151

  

    抓取评论区的:回复内容，购买人名字，购买时间

    引用:HtmlAgilityPack库

    

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using HtmlAgilityPack;

namespace AnaHtml
{
    class Program
    {
        static void Main(string[] args)
        {
            HtmlWeb html = new HtmlWeb();
            var content = from page in html.Load("http://feedback.ebay.com/ws/eBayISAPI.dll?ViewFeedback2&ftab=AllFeedback&userid=paragad&iid=-1&de=off&items=25&interval=0&mPg=151")
                          //Skip(1)排除标题行 where((x,index)=>index%2==0)选取相应的内容行
                          .DocumentNode.SelectSingleNode("//table[@class='FbOuterYukon']").Elements("tr").Skip(1).Where((x, index) => index % 2 == 0)
                          let row = page
                          where row != null
                          select new
                          {
                              Content = row.ChildNodes[1].InnerText,
                              //注意，任何时候的SelectSingleNode方法都是以整个document为前提的，个人觉得应该当前的节点为前担
                              Id =row.ChildNodes[2].SelectSingleNode(row.ChildNodes[2].XPath+"//div[1]//a[1]//span[1]").InnerHtml,
                              Retime = row.ChildNodes[3].InnerText
                          };
            foreach (var item in content)
            {
                Console.WriteLine("\r\n Content:{0} Id={1} Time={2} ", item.Content, item.Id,item.Retime);
            }
            Console.Read();
        }


    }
}

　　整个结构清晰自然，利用Xpath的来进行选取相当方便，轻易就可以抓取内容。

 

附注: 

一，正则相关

１.30分钟搞定正则(了然正则的基础知识点)

2.正则达人的博客

3.正则工具RegexBug

 

二，解析库:

 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> 

1.    <Title lang="eng">PowerDesign高级应用</title> 
2.    <Url>http://zhoufoxcn.blog.51cto.com/792419/166415</Url> 
3.    <CreateAt type="zh-cn">2007-09-08</price> 
4.  </Article> 
5.  </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。

转自=>周公博客

转载于:https://www.cnblogs.com/codefish/archive/2013/05/18/3085681.html