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");
- }
- }
- }
- }
一些爬虫的HTML解析中也是用的类似的方法。
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。
作者:gaoweipeng
[
返回顶部]