码迷,mamicode.com
首页 > Web开发 > 详细

HTML 解析类库HtmlAgilityPack

时间:2018-07-25 22:02:07      阅读:1051      评论:0      收藏:0      [点我收藏+]

标签:before   错误   语义   替换   过多   epo   需求   opp   tle   

 

1. HtmlAgilityPack简介

网站中首先遇到的问题是爬虫和解析HTML的问题,一般情况在获取页面少量信息的情况下,我们可以使用正则来精确匹配目标。不过本身正则表达式就比较复杂,同时正则表达式的精确程度很难拿捏,太精确和原网页耦合太严重,页面代码稍改动就会使正则无效;太宽泛的正则由可能会匹配目标过多。所以我们今天介绍的是通过解析HTML结构来获取目标的方式——HtmlAgilityPack。

HtmlAgilityPack是一个解析HTML的类库,支持用XPath来解析HTML,可以像XML一样来解析HTML。

HtmlAgilityPack的代码托管在codeplex上:http://htmlagilitypack.codeplex.com/,不过建议通过Nuget来获取最新版本。

 

技术分享图片

 

2. XPath简介

XPath即为XML路径语言,它是一种用来确定XML文档中某部分位置的语言。XPath基于XML的树状结构,提供在数据结构树中找寻节点的能力。下图列举了XPath主要的路径表达式:

技术分享图片

这种针对XML的路径能在解析HTML中用的原因是HtmlAgilityPack将下载下来的HTML页面进行规格化处理,让原本对语义支持并不好的HTML文档格式变为更严谨的Xhtml格式,甚至可以转换为XML格式;并使用XPath来选择、处理dom中的element。下图表示HTML格式化之后的节点示意图:

技术分享图片

 

3. HtmlAgilityPack中常用的API

 在HtmlAgilityPack中常用到的类有HtmlDocument、HtmlNodeCollection、HtmlNode和HtmlWeb。

首先是加载HTML,如果是已经存在的静态HTML代码,可以用HtmlDocument的Load()或LoadHtml()来加载,如果是网络上的URL则需要用HtmlWeb的Get()或Load()方法来加载。

不管是哪种加载方式,我们得到的都是HtmlDocument的实例。此时我们需要得到的是HtmlNode或者HtmlNodeCollection对象,使用HtmlDocument的DocumentNode属性,它整个HTML文档的根节点,它本身也是一个HtmlNode。

得到文档根节点后即可使用前一节介绍的XPath得到你想要的文档中任意一个节点的信息。

 

下面是一个典型的获得有效内容的例子:

1
2
3
4
HtmlWeb htmlWeb = new HtmlWeb();
HtmlDocument htmlDoc = htmlWeb.Load("http://www.baidu.com");
HtmlNode htmlNode = htmlDoc.DocumentNode.SelectSingleNode("//title");
string title = htmlNode.InnerText;

  

由于使用最多的类是HtmlNode,这里将它常用的属性和方法列在下面,方便各位查阅。

属性:

Attributes              获取节点的属性集合
ChildNodes             获取子节点集合(包括文本节点)
FirstChild              获取第一个子节点
HasAttributes            判断该节点是否含有属性
HasChildNodes          判断该节点是否含有子节点
Id                 获取该节点的Id属性
InnerHtml             获取该节点的Html代码
InnerText             获取该节点的内容,与InnerHtml不同的地方在于它会过滤掉Html代码,而InnerHtml是连Html代码一起输出
LastChild              获取最后一个子节点
Name                Html元素名
NextSibling            获取下一个兄弟节点
ParentNode            获取该节点的父节点
PreviousSibling          获取前一个兄弟节点
XPath                根据节点返回该节点的XPath

 

方法:

HtmlNode AppendChild(HtmlNode newChild);              将参数元素追加到为调用元素的子元素(追加在最后)
void AppendChildren(HtmlNodeCollection newChildren);       将参数集合中的元素追加为调用元素的子元素(追加在最后)
HtmlNode PrependChild(HtmlNode newChild);              将参数中的元素作为子元素,放在调用元素的最前面
void PrependChildren(HtmlNodeCollection newChildren);       将参数集合中的所有元素作为子元素,放在调用元素前面
HtmlNode Clone();                           本节点克隆到一个新的节点
HtmlNode CloneNode(bool deep);                   节点克隆到一个新的几点,参数确定是否连子元素一起克隆
HtmlNode CloneNode(string newName);                克隆的同时更改元素名
HtmlNode CloneNode(string newName, bool deep);           克隆的同时更改元素名。参数确定是否连子元素一起克隆
void CopyFrom(HtmlNode node);                    创建重复的节点和其下的子树。
void CopyFrom(HtmlNode node, bool deep);               创建节点的副本。
static HtmlNode CreateNode(string html);                静态方法,允许用字符串创建一个新节点
IEnumerable<HtmlNode> DescendantNodes();             获取所有子代节点
IEnumerable<HtmlNode> DescendantNodesAndSelf();         获取所有的子代节点以及自身
IEnumerable<HtmlNode> Descendants();               获取枚举列表中的所有子代节点
IEnumerable<HtmlNode> Descendants(string name);         获取枚举列表中的所有子代节点,注意元素名要与参数匹配
IEnumerable<HtmlNode> DescendantsAndSelf();           获取枚举列表中的所有子代节点以及自身
IEnumerable<HtmlNode> DescendantsAndSelf(string name);     获取枚举列表中的所有子代节点以及自身,注意元素名要与参数匹配
HtmlNode Element(string name);                   根据参数名获取一个元素
IEnumerable<HtmlNode> Elements(string name);          根据参数名获取匹配的元素集合
bool GetAttributeValue(string name, bool def);             帮助方法,用来获取此节点的属性的值(布尔类型)。如果未找到该属性,则将返回默认值。
int GetAttributeValue(string name, int def);              帮助方法,用来获取此节点的属性的值(整型)。如果未找到该属性,则将返回默认值。
string GetAttributeValue(string name, string def);          帮助方法,用来获取此节点的属性的值(字符串类型)。如果未找到该属性,则将返回默认值。
HtmlNode InsertAfter(HtmlNode newChild, HtmlNode refChild);     将一个节点插入到第二个参数节点的后面,与第二个参数是兄弟关系
HtmlNode InsertBefore(HtmlNode newChild, HtmlNode refChild);   讲一个节点插入到第二个参数节点的后面,与第二个参数是兄弟关系
static bool IsCDataElement(string name);                确定是否一个元素节点是一个 CDATA 元素节点。
static bool IsClosedElement(string name);               确定是否封闭的元素节点
static bool IsEmptyElement(string name);                 确定是否一个空的元素节点。
static bool IsOverlappedClosingElement(string text);            确定是否文本对应于一个节点可以保留重叠的结束标记。
void Remove();                              从父集合中移除调用节点
void RemoveAll();                            移除调用节点的所有子节点以及属性
void RemoveAllChildren();                        移除调用节点的所有子节点
HtmlNode RemoveChild(HtmlNode oldChild);              移除调用节点的指定名字的子节点
HtmlNode RemoveChild(HtmlNode oldChild, bool keepGrandChildren);移除调用节点调用名字的子节点,第二个参数确定是否连孙子节点一起移除
HtmlNode ReplaceChild(HtmlNode newChild, HtmlNode oldChild);   将调用节点原有的一个子节点替换为一个新的节点,第二个参数是旧节点
HtmlNodeCollection SelectNodes(string xpath);             根据XPath获取一个节点集合
HtmlNode SelectSingleNode(string xpath);                根据XPath获取唯一的一个节点
HtmlAttribute SetAttributeValue(string name, string value);       设置调用节点的属性
string WriteContentTo();                           将该节点的所有子级都保存到一个字符串中。
void WriteContentTo(TextWriter outText);                将该节点的所有子级都保存到指定的 TextWriter。
string WriteTo();                            将当前节点保存到一个字符串中。
void WriteTo(TextWriter outText);                    将当前节点保存到指定的 TextWriter。
void WriteTo(XmlWriter writer);                     将当前节点保存到指定的则 XmlWriter。

 

4. 实战

 基础的都熟悉了,我们来做练习。代码片段如下:

 1  HtmlDocument doc = new HtmlDocument();
 2                 doc.LoadHtml(html);//加载html
 3                 string pageNumberPath = @"//*[@id=‘J_topPage‘]/span/i";
 4                 HtmlNode pageNumberNode = doc.DocumentNode.SelectSingleNode(pageNumberPath);
 5                 if (pageNumberNode != null)
 6                 {
 7                     string sNumber = pageNumberNode.InnerText;
 8                     for (int i = 1; i < int.Parse(sNumber) + 1; i++)
 9                     {
10                         string pageUrl = string.Format("{0}&page={1}", category.Url, i);
11                         try
12                         {
13                             List<Commodity> commodityList = GetCommodityList(category, pageUrl.Replace("&page=1&", string.Format("&page={0}&", i)));
14                             commodityRepository.SaveList(commodityList);
15                         }
16                         catch (Exception ex)//保证一页的错误不影响另外一页
17                         {
18                             logger.Error("Crawler的commodityRepository.SaveList(commodityList)出现异常", ex);
19                         }
20                     }

 

  

 

5. 后记

HtmlAgilityPack 的确是一个功能强大的HTML解析类库,我目前仅仅使用了它的一小部分功能,但是已经能完全满足我的需求。如果童鞋们有类似需求,可以试试。

HTML 解析类库HtmlAgilityPack

标签:before   错误   语义   替换   过多   epo   需求   opp   tle   

原文地址:https://www.cnblogs.com/ztb123/p/9368313.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!