C#对HTML文档的解析

相信很多人都有过HTML文档解析的需求。比如我们抓取了某1个网站的页面数据，格式就是HTML的格式。以前我们都是通过正则表达式来进行解析，但是发现有一些问题。解析HTML文档时并不容易，如果文档的格式稍有变化很可能就不能正确的匹配。因此我们需要专门的工具来帮助我们轻松的解析HTML文档。

其实已经有一个非常不错的工具提供了。比如HtmlAgilityPack。它可以帮助我们解析HTML文档就像用XmlDocument类来解析XML一样轻松、方便。

这个工具可以在http://htmlagilitypack.codeplex.com/下载到，里面有支持各种.NET Framework的版本的dll。

好了，下面提供一个足够Simple的例子给大家。大家可以在此基础之上，举一反三。

比如要解析下面的HTML。

[html]  view plain copy

1. <table>  
2.     <thead>  
3.         <tr>  
4.             <th>时间</th>  
5.             <th>类型</th>  
6.             <th>名称</th>  
7.             <th>单位</th>  
8.             <th>金额</th>  
9.         </tr>  
10.     </thead>  
11.     <tbody>  
12.         <tr>  
13.             <td>2013-12-29</td>  
14.             <td>发票1</td>  
15.             <td>采购物资发票1</td>  
16.             <td>某某公司1</td>  
17.             <td>123元</td>  
18.         </tr>  
19.         <tr>  
20.             <td>2013-12-29</td>  
21.             <td>发票2</td>  
22.             <td>采购物资发票2</td>  
23.             <td>某某公司2</td>  
24.             <td>321元</td>  
25.         </tr>  
26.     <tbody>  
27. </table>  

以控制台项目为例，首先要引用HtmlAgilityPack.dll文件，这样才能使用dll里面的类和方法。

[csharp]  view plain copy

1. static void Main(string[] args)  
2. {  
3.     string strWebContent = @"<table><thead>  
4.     <tr>  
5.       <th>时间</th>  
6.       <th>类型</th>  
7.       <th>名称</th>  
8.       <th>单位</th>  
9.       <th>金额</th>  
10.     </tr>  
11.     </thead>  
12.     <tbody>" +  
13.     @"<tr>  
14.       <td>2013-12-29</td>  
15.       <td>发票1</td>  
16.       <td>采购物资发票1</td>  
17.       <td>某某公司1</td>  
18.       <td>123元</td>  
19.     </tr>" +  
20.     @"<tr>  
21.       <td>2013-12-29</td>  
22.       <td>发票2</td>  
23.       <td>采购物资发票2</td>  
24.       <td>某某公司2</td>  
25.       <td>321元</td>  
26.     </tr>  
27.     </tbody>  
28.   </table>  
29. ";  
30.   
31.     List<Data> datas = new List<Data>();//定义1个列表用于保存结果  
32.   
33.     HtmlDocument htmlDocument = new HtmlDocument();  
34.     htmlDocument.LoadHtml(strWebContent);//加载HTML字符串，如果是文件可以用htmlDocument.Load方法加载  
35.   
36.     HtmlNodeCollection collection = htmlDocument.DocumentNode.SelectSingleNode("table/tbody").ChildNodes;//跟Xpath一样，轻松的定位到相应节点下  
37.     foreach (HtmlNode node in collection)  
38.     {  
39.         //去除\r\n以及空格，获取到相应td里面的数据  
40.         string[] line = node.InnerText.Split(new char[] { '\r', '\n', ' ' }, StringSplitOptions.RemoveEmptyEntries);  
41.   
42.         //如果符合条件，就加载到对象列表里面  
43.         if (line.Length == 5)  
44.             datas.Add(new Data() { 时间 = line[0], 类型 = line[1], 名称 = line[2], 单位 = line[3], 金额 = line[4] });  
45.     }  
46.   
47.     //循环输出查看结果是否正确  
48.     foreach (var v in datas)  
49.     {  
50.         Console.WriteLine(string.Join(",", v.时间, v.类型, v.名称, v.单位, v.金额));  
51.     }  
52. }  

[csharp]  view plain copy

1. /// <summary>  
2. /// 定义的实体类用于接收数据  
3. /// </summary>  
4. public class Data  
5. {  
6.     public string 时间 { get; set; }  
7.     public string 类型 { get; set; }  
8.     public string 名称 { get; set; }  
9.     public string 单位 { get; set; }  
10.     public string 金额 { get; set; }  
11. }  

上面就是完整的代码，注释也很清楚。

最后看一下解析的结果：