现在的位置: 首页 > 综合 > 正文

HTML解析利器HtmlAgilityPack

2013年07月02日 ⁄ 综合 ⁄ 共 4674字 ⁄ 字号 评论关闭

在以前的项目中周公曾有解析HTML的情况,当时是采用正则表达式一步步将无关的HTML注释及JS代码部分删除掉,然后再用正则表达式找出需要提取的部分,可以说使用正则表达式来做是一个比较繁琐的过程,特别是对于正则表达式不是很熟悉或者要处理的HTML很复杂的情况下。前一阵子周公还是通过这个办法将http://wz.csdn.net/zhoufoxcn上保存的网址导入到http://cang.baidu.com,本来还想将周公博客上的文章好好整理一下,但是考虑到使用正则真的是很繁琐也很麻烦,所以就一直没有动手。

 直到前两天在网上发现了一个.NET下的HTML解析类库HtmlAgilityPack。HtmlAgilityPack是一个支持用XPath来解析HTML的类库,在花了一点时间学习了解HtmlAgilityPack的API和XPath之后,周公就做了一个简单的工具完成了这个功能,目前在CSDN上周公博文的收集地址为:http://blog.csdn.net/zhoufoxcn/archive/2011/06/23/6564578.aspx,在51CTO上周公博文的收集地址为http://zhoufoxcn.blog.51cto.com/792419/595327。HtmlAgilityPack是一个开源的.NET类库,它的主页是http://htmlagilitypack.codeplex.com/,在这里可以下载到最新版的类库及API手册,此外还可以下载到一个用于调试的辅助工具。

 

 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:

 

  1. <?xml version="1.0" encoding="utf-8"?> 
  2.  <Articles> 
  3.  <Article> 
  4.    <Title>在ASP.NET中使用Highcharts js图表</title> 
  5.    <Url>http://zhoufoxcn.blog.51cto.com/792419/537324</Url> 
  6.    <CreateAt type="en">2011-04-07</price> 
  7.  </Article> 
  8.  <Article> 
  9.    <Title lang="eng">Log4Net使用详解(续)</title> 
  10.    <Url>http://blog.csdn.net/zhoufoxcn/archive/2010/11/23/6029021.aspx</Url> 
  11.    <CreateAt type="zh-cn">2010年11月23日</price> 
  12.  </Article> 
  13.  <Article> 
  14.    <Title>J2ME开发的一般步骤</title> 
  15.    <Url>http://blog.csdn.net/zhoufoxcn/archive/2011/06/12/6540223.aspx</Url> 
  16.    <CreateAt type="zh-cn">2011年06月12日</price> 
  17.  </Article> 
  18.  <Article> 
  19.    <Title lang="eng">PowerDesign高级应用</title> 
  20.    <Url>http://zhoufoxcn.blog.51cto.com/792419/166415</Url> 
  21.    <CreateAt type="zh-cn">2007-09-08</price> 
  22.  </Article> 
  23.  </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。

 

 HtmlAgilityPack实战
 下面是一个解析CSDN博客的代码实例:

 

  1. using System;  
  2.  using System.Collections.Generic;  
  3.  using System.Text;  
  4.  using HtmlAgilityPack;  
  5.  using System.Text.RegularExpressions;  
  6.    
  7.  namespace CrawlPageApplication  
  8.  {  
  9.      /**  
  10.       * 作者:周公  
  11.       * 日期:2011-06-23  
  12.       * Blog: http://blog.csdn.net/zhoufoxcn or http://zhoufoxcn.blog.51cto.com  
  13.       * Weibo: http://weibo.com/zhoufoxcn  
  14.       */ 
  15.      public class CSDN_Parser  
  16.      {  
  17.          private const string CategoryListXPath = "//html[1]/body[1]/div[1]/div[1]/div[2]/div[1]/div[1]/dl[1]/dd[3]/div[1]/ul[1]/li";  
  18.          private const string CategoryNameXPath = "//li[1]/a[2]";  
  19.    
  20.          /// <summary>  
  21.          /// 分析博客首页  
  22.          /// </summary>  
  23.          /// <param name="url"></param>  
  24.          /// <returns></returns>  
  25.          public static List<Category> ParseIndexPage(string url)  
  26.          {  
  27.              Uri uriCategory=null;  
  28.              List<Category> list = new List<Category>(40);  
  29.                
  30.              HtmlDocument document = new HtmlDocument();  
  31.     //注意,这里省略掉了使用本人其它类库中加载URL的类,而是直接加载本地的HTML文件  
  32.              //string html = HttpWebUtility.ReadFromUrl(url, Encoding.UTF8);  
  33.              //document.LoadHtml(html);  
  34.              document.Load("CSDN_index.html", Encoding.UTF8);  
  35.              HtmlNode rootNode = document.DocumentNode;  
  36.              HtmlNodeCollection categoryNodeList = rootNode.SelectNodes(CategoryListXPath);  
  37.              HtmlNode temp = null;  
  38.              Category category = null;  
  39.              foreach (HtmlNode categoryNode in categoryNodeList)  
  40.              {  
  41.                  temp = HtmlNode.CreateNode(categoryNode.OuterHtml);  
  42.                  category = new Category();  
  43.                  category.Subject = temp.SelectSingleNode(CategoryNameXPath).InnerText;  
  44.                  Uri.TryCreate(UriBase, temp.SelectSingleNode(CategoryNameXPath).Attributes["href"].Value, out uriCategory);  
  45.                  category.IndexUrl = uriCategory.ToString();  
  46.                  category.PageUrlFormat=category.IndexUrl+"?PageNumber={0}";  
  47.                  list.Add(category);  
  48.                  Category.CategoryDetails.Add(category.IndexUrl, category);  

抱歉!评论已关闭.