Html Agility Pack解析Html(C#爬蟲利器)

時間 2019-12-08

標籤 html agility pack 解析 c# 爬蟲利器欄目 HTML 简体版

原文原文鏈接

有個需求要寫網絡爬蟲,之前接觸過一個叫Html Agility Pack這個解析html的庫,此次又要用到,然而發現之前咋用的已經不記得了,如今從頭開始記錄一下使用過程.html

Html Agility Pack官網.你們用的同時也能夠去github上star一下這個項目,支持一下.net開源項目.(首頁上有其github的項目地址)node

加載Html

有幾種方式能夠加載Htmlgit

從流(Stream)中加載github

HtmlWebRequest req = WebRequest.Create("https://www.cnblogs.com/Laggage/p/10740012.html") as HtmlWebRequest;
HtmlWebResponse res = req.GetResponse() as HtmlWebResponse;
Stream s = res.GetResponseStream();

HtmlDocument doc = new HtmlDocument();
doc.Load(s)

從字符串加載Html(直接用的官網的一個例子)web

var html = @"<!DOCTYPE html>
<html>
<body>
    <h1>This is <b>bold</b> heading</h1>
    <p>This is <u>underlined</u> paragraph</p>
    <h2>This is <i>italic</i> heading</h2>
</body>
</html> ";

var htmlDoc = new HtmlDocument();
htmlDoc.LoadHtml(html);

var htmlBody = htmlDoc.DocumentNode.SelectSingleNode("//body");

Console.WriteLine(htmlBody.OuterHtml);

從文件加載markdown

string path = @"test.html";

HtmlDocument doc = new HtmlDocument();
doc.Load(path);

HtmlNode node = doc.DocumentNode.SelectSingleNode("//body");

Console.WriteLine(node.OuterHtml);

還能夠直接從網絡上加載(套用官網的例子)網絡

string html = @"http://html-agility-pack.net/";

HtmlWeb web = new HtmlWeb();

HtmlDocument htmlDoc = web.Load(html);

HtmlNode node = htmlDoc.DocumentNode.SelectSingleNode("//head/title");

Console.WriteLine("Node Name: " + node.Name + "\n" + node.OuterHtml);

解析html

利用Html Agility Pack解析起html仍是很容易的.主要利用XPath語法.一樣套用官網的代碼.ide

HtmlDocument htmlDoc = new HtmlDocument();
htmlDoc.LoadHtml(html);

string name = htmlDoc.DocumentNode
    .SelectNodes("//td/input")  //雙斜槓表示查詢全部的子節點,若是是隻要查詢範圍在當前節點的下一層子節點,則只用一個子節點.
    .First()
    .Attributes["value"].Value;

主要就是利用 HtmlNode.SelectSingleNode()和HtmlNode.SelectNodes()方法來尋找節點.

這是 Html Agility Pack 官網首頁的一段html,如今以要拿到其中的pre標籤的全部內容爲例.flex

string url = @"https://html-agility-pack.net/";
HtmlWeb web = new HtmlWeb();

HtmlDocument doc = web.Load(html);

string text = doc.DocumentNode
.SelectSingleNode("//div[@class='side-body container-none page-index']/div[@class='container-examples-index d-flex justify-content-center']/pre")
.InnerText;

Console.WriteLine(text);

具體的XPath語法能夠看W3C的教程:W3CXPath教程.url