HtmlAgilityPack --解析Html源码
最近项目需要从网络上抓取一下数据解析Html源码,奈何正则表达式难写,于是网上搜索找到了“ HtmlAgilityPack”类库,敏捷开发,果然效率非同寻常。
在此做笔记,写下心得,顺便给自己总结一下。
1、 HtmlAgilityPack使用的是XPath进行路径搜索,如果对XML路径搜索很熟悉,用起来会得心应手
<?xml version="1.0" encoding="ISO-8859-1"?> <bookstore> <book> <title lang="eng">Harry Potter</title> <price>29.99</price> </book> <book> <title lang="eng">Learning XML</title> <price>39.95</price> </book> </bookstore>
/bookstore/book[1] | 选取属于 bookstore 子元素的第一个 book 元素。 |
/bookstore/book[last()] | 选取属于 bookstore 子元素的最后一个 book 元素。 |
/bookstore/book[last()-1] | 选取属于 bookstore 子元素的倒数第二个 book 元素。 |
/bookstore/book[position()<3] | 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。 |
//title[@lang] | 选取所有拥有名为 lang 的属性的 title 元素。 |
//title[@lang=‘eng‘] | 选取所有 title 元素,且这些元素拥有值为 eng 的 lang 属性。 |
/bookstore/book[price>35.00] | 选取 bookstore 元素的所有 book 元素,且其中的 price 元素的值须大于 35.00。 |
/bookstore/book[price>35.00]/title | 选取 bookstore 元素中的 book 元素的所有 title 元素,且其中的 price 元素的值须大于 35.00。 |
2、HtmlAgilityPack基本用法:
最常使用的方法:SelectNodes (XPath)、 SelectSingleNode(XPath) 、
CreateNode(HtmlNode.OuterHtml)(该方法通常用在查询完的结果再次进行分析,无法从查询出来的节点进行操作,查询是对大节点树的操作),一般用法
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。(此方法我还没尝试,不知道是否能够加载网络上的方法)
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。
我从网站获取数据用WebClient、WebRequest、WebResponse 简单协议(Http、ftp)请求,基本满足项目要求:
常用的属性:InnerHtml InnerText OuterHtml
/// <summary> /// 通过Stream流下载Html源码 /// </summary> /// <param name="Url"></param> /// <returns></returns> public static string DownLoadHtmlCode(string Url) { string HtmlCode = ""; if (string.IsNullOrEmpty(Url)) return ""; WebClient client = new WebClient(); Stream stream= client.OpenRead(Url); StreamReader sr = new StreamReader(stream); HtmlCode = sr.ReadToEnd(); sr.Close(); stream.Close(); client.Dispose(); return HtmlCode; }
HtmlAgilityPack.HtmlDocument hd = new HtmlAgilityPack.HtmlDocument();
//加载Html文档
hd.LoadHtml(DownLoadHtmlCode("http://www.baidu.com"));
//以下是从代码里面截取部分信息
HtmlNode strHtml = null;
foreach (var item in hd.DocumentNode.SelectNodes("//*[@id=‘header‘]"))
{
//解析品牌
strHtml = HtmlNode.CreateNode(item.OuterHtml);
Project.Brand = strHtml.SelectSingleNode("//a[last()-1]").InnerText.Replace("移动手机", "").Replace("手机", "") + "<br/>";
}
3、删除样式、脚本、脚本注释
从密密麻麻的源码中查找有效的源码信息,删除样式、脚本、脚本注释,解析获取innerHtml,装载到泛型变量,进行二次操作(输出页面、数据库存储)
//去掉脚本标签和内容 if (hd.DocumentNode.SelectNodes("//script")!=null) { foreach (var script in hd.DocumentNode.SelectNodes("//script")) script.Remove(); } //去掉样式标签和内容 if (hd.DocumentNode.SelectNodes("//style")!=null) { foreach (var style in hd.DocumentNode.SelectNodes("//style")) style.Remove(); } //去掉注释标签和内容 if (hd.DocumentNode.SelectNodes("//comment()")!=null) { foreach (var comment in hd.DocumentNode.SelectNodes("//comment()")) comment.Remove();//新增的代码 }
总结:
HtmlAgilityPack 工具能够快速上手,而且是开源的,能够满足解析Html源码需求。
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。