HtmlAgilityPack中通过sibling才能得到对应的InnerText和form,option等tag的子节点
【背景】
之前使用HtmlAgilityPack期间,遇到了2个bug:
1. InnerText没有包含对应字符串(但是用NextSibling.InnerText却可以得到)
对于html:
1 |
<option value="search-alias=instant-video">Amazon Instant Video</option> |
用如下的代码:
1
2
3
4 |
//<option value="search-alias=instant-video">Amazon Instant Video</option> string searchValue = singleOptionNode.Attributes["value"].Value; //search-alias=instant-video //instant-video string generalCategory = singleOptionNode.InnerText; //CAN NOT get: Amazon Instant Video |
是不工作的。
后来经过调试,改为:
1
2
3
4 |
//<option value="search-alias=instant-video">Amazon Instant Video</option> string searchValue = singleOptionNode.Attributes["value"].Value; //search-alias=instant-video //instant-video string generalCategory = singleOptionNode.NextSibling.InnerText; //can get: Amazon Instant Video |
却是可以的。
很是尼玛的诡异。
很明显是一个bug。
和:
2.丢失了form节点的input子节点
访问:
http://www.amazon.com/gp/offer-listing/B0083PWAPW/ref=dp_olp_all_mbc?ie=UTF8&condition=all
得到的html中,对应的部分是:
1
2
3
4
5
6
7
8
9
10
11
12
13 |
<form method= "POST" action= "/gp/item-dispatch/ref=olp_atc_fm_1" > <input type= "hidden" name= "session-id" value= "182-0726239-4848949" > <input type= "hidden" name= "qid" value= "" > <input type= "hidden" name= "sr" value= "" > <input id= "signInToHUC" type= "hidden" value= "0" name= "signInToHUC" > <input type= "hidden" name= "metric-asin.B0083PWAPW" value= "1" > <input type= "hidden" name= "registryItemID.1" value= "" > <input type= "hidden" name= "registryID.1" value= "" > <input type= "hidden" name= "itemCount" value= "1" > <input type= "hidden" name= "offeringID.1" value= "%2F%2FeHHmpktM3oPoQj%2FOWhDI%2FpHyvwwFCwEfNIBEgFcfAHzKHAzVK%2BZfhkmBFO%2BPbow9JfdOmrE6eKME4ydhLTTK1Dgaf8O3N7SyOR%2F136TvVh0lfJypEt4Q%3D%3D" > <input type= "hidden" name= "isAddon" value= "0" > <input type= "image" src= "http://g-ecx.images-amazon.com/images/G/01/x-locale/nav2/images/add-to-cart-md-p._V192250398_.gif" align= "absmiddle" alt= "Add to cart" border= "0" height= "21" name= "submit.addToCart" width= "112" /> </form> |
可以通过:
1
2 |
htmlDoc = crl.htmlToHtmlDoc(respHtml); HtmlNodeCollection postItemNodeList = htmlDoc.DocumentNode.SelectNodes( "//form[starts-with(@action, ‘/gp/item-dispatch/ref=‘) and @method=‘POST‘]" ); |
搜索到form节点,但是结果其下,再去搜input节点:
1 |
HtmlNodeCollection inputTypeNodeList = postItemNode.SelectNodes( ".//input[@type=‘hidden‘ and @name and @value]" ); |
竟然得到的inputTypeNodeList是null:
即form下面,没有找到任何的child,即,所有的input节点,都丢失了!
再回去查看postItemNode,结果其下就是没有child的:
所以,应该是对应的HtmlAgilityPack的bug。
【折腾过程】
1. 后来看到:
No child nodes for FORM object
中提到了,说是:
In Html specification form tag can overlap,
so Htmlagilitypack handle this node a little different. 。。。
After adding this call all form elements are added as children. |
然后就去看看,结果果然是从child变成了sibling了,而且此处还是很变态的,NextSibling的NextSibling才是我们要的input节点:
所以,此处,看来只能是说动的,类似于上面那个问题一样的,写成NextSibling的NextSibling
不过,真是这样写的话,那也够变态的。。。。
2.然后也看到别人也遇到同样问题:
Problem parsing children of a node with HtmlAgilityPack
而且某人也是放弃了HtmlAgilityPack而转到了SGMLReader了。
不过,另外有人说,不是bug,而是可以配置的。
其相关的讨论见:
http://htmlagilitypack.codeplex.com/workitem/21782
再参考:
HtmlAgilityPack — Does <form> close itself for some reason?
去,在将html转为htmlDoc之前,添加:
1 |
HtmlNode.ElementsFlags.Remove( "form" ); |
变为:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20 |
HtmlNode.ElementsFlags.Remove( "form" ); htmlDoc = crl.htmlToHtmlDoc(respHtml); HtmlNodeCollection postItemNodeList = htmlDoc.DocumentNode.SelectNodes( "//form[starts-with(@action, ‘/gp/item-dispatch/ref=‘) and @method=‘POST‘]" ); if (postItemNodeList == null ) { //something error } else { foreach (HtmlNode postItemNode in postItemNodeList) { string itemDispatchUrl = postItemNode.Attributes[ "action" ].Value; ///gp/item-dispatch/ref=olp_atc_used_1 itemDispatchUrl = constAmazonDomainUrl + itemDispatchUrl; //http://www.amazon.com/gp/item-dispatch/ref=olp_atc_used_1 Dictionary< string , string > postDict = new Dictionary< string , string >(); HtmlNodeCollection inputTypeNodeList = postItemNode.SelectNodes( ".//input[@type=‘hidden‘ and @name and @value]" ); |
然后得到的inputTypeNodeList,的确不是null了,也有了child了:
【总结】
之前还夸奖HtmlAgilityPack好用呢,结果还没用多久,就出现这么多的bug。看来真的没法继续使用了。
每次都要很小心,不知道啥时候就会出错,真郁闷。。。
即使不是bug,其本身把form下面的节点,都弄成其sibling这个策略,还是很变态的。至少让更多人的,都容易误解。
【后记】
后来的后来,经过参考别人的解释:
发现,
其实上述两个,所谓的bug,就是同一个问题:
对于HtmlAgilityPack,实际上,对于option,form等tag,其默认的处理的结果是:其下的子节点,会变成sibling
所以,上面的:
对于option需要通过NextSibling才能获得对应的InnerText;
对于form子节点为空,也是需要通过NextSibling(的NextSibling)才能获得对应的input子节点;
其本质都是:
HtmlAgilityPack是针对HTML 3.2的规范去实现的,而HTML 3.2就是这样规定的。
其不是bug,而是feature
但是很明显,是属于让人蛋疼的feature。
解决办法有两种:
1.改源码
把HtmlNode.cs中的下面这行注释掉:
1 |
ElementsFlags.Add( "form" , HtmlElementFlag.CanOverlap | HtmlElementFlag.Empty); |
2.不改源码
在HtmlDocument类型的变量执行LoadHtml之前,加上:
1 |
HtmlNode.ElementsFlags.Remove( "tagName" ); |
即,对于我之前的crifanlib.cs中的:
1
2
3
4
5
6
7
8 |
public HtmlAgilityPack.HtmlDocument htmlToHtmlDoc( string html) { HtmlAgilityPack.HtmlDocument htmlDoc = new HtmlAgilityPack.HtmlDocument(); htmlDoc.LoadHtml(html); return htmlDoc; } |
换成:
1
2
3
4
5
6
7
8
9
10
11
12
13 |
public HtmlAgilityPack.HtmlDocument htmlToHtmlDoc( string html) { HtmlAgilityPack.HtmlDocument htmlDoc = new HtmlAgilityPack.HtmlDocument(); //make some html tag: form/option, has child HtmlNode.ElementsFlags.Remove( "form" ); HtmlNode.ElementsFlags.Remove( "option" ); htmlDoc.LoadHtml(html); return htmlDoc; } |
即可。
如此,后续解析html得到的form,option等tag,其child就是我们所希望的内容了。
另外:
1.对于是否还有其他特殊的html的tag,也是默认被处理为子节点变为sibling的,就不知道了。
2.等有空再去深究背后的那个HTML 3.2规范是怎么定义的。
郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。