一、引言
HtmlAgilityPack是一个支持用XPath来解析HTML的类库,是一个开源的.NET类库,它的主页是
HtmlAgilityPack官网.,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。
1、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:
<?xml version="1.0" encoding="utf-8"?>
<Articles>
<Article>
<Title>深圳嘉华_架构师进阶之路_15AOP概述</title>
<Url>https://blog.csdn.net/huan13479195089/article/details/105131301</Url>
<CreateAt type="en">2019-04-07</price>
</Article>
<Article>
<Title lang="eng">深圳嘉华_架构师进阶之路_15AOP概述</title>
<Url>https://blog.csdn.net/huan13479195089/article/details/105131693</Url>
<CreateAt type="zh-cn">2019-04-07</price>
</Article>
<Article>
<Title>深圳嘉华_架构师进阶之路_15AOP概述</title>
<Url>https://blog.csdn.net/huan13479195089/article/details/105131693</Url>
<CreateAt type="zh-cn">2019-04-07</price>
</Article>
<Article>
<Title lang="eng">深圳嘉华_架构师进阶之路_15AOP概述</title>
<Url>https://blog.csdn.net/huan13479195089/article/details/105131693</Url>
<CreateAt type="zh-cn">2019-04-07</price>
</Article>
</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。
2、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。
2.1、HtmlAgilityPack实战
下面是一个解析CSDN博客的代码实例:
using System;
using System.Collections.Generic;
using System.Text;
using HtmlAgilityPack;
using System.Text.RegularExpressions;
namespace CrawlPageApplication
{
public class CSDN_Parser
{
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";
private const string CategoryNameXPath = "//li[1]/a[2]";
/// <summary>
/// 分析博客首页
/// </summary>
/// <param name="url"></param>
/// <returns></returns>
public static List<Category> ParseIndexPage(string url)
{
Uri uriCategory=null;
List<Category> list = new List<Category>(40);
HtmlDocument document = new HtmlDocument();
//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
//string html = HttpWebUtility.ReadFromUrl(url, Encoding.UTF8);
//document.LoadHtml(html);
document.Load("CSDN_index.html", Encoding.UTF8);
HtmlNode rootNode = document.DocumentNode;
HtmlNodeCollection categoryNodeList = rootNode.SelectNodes(CategoryListXPath);
HtmlNode temp = null;
Category category = null;
foreach (HtmlNode categoryNode in categoryNodeList)
{
temp = HtmlNode.CreateNode(categoryNode.OuterHtml);
category = new Category();
category.Subject = temp.SelectSingleNode(CategoryNameXPath).InnerText;
Uri.TryCreate(UriBase, temp.SelectSingleNode(CategoryNameXPath).Attributes["href"].Value, out uriCategory);
category.IndexUrl = uriCategory.ToString();
category.PageUrlFormat=category.IndexUrl+"?PageNumber={0}";
list.Add(category);
Category.CategoryDetails.Add(category.IndexUrl, category);
}
return list;
}
}
}
总结:HtmlAgilityPack确实是一个功能强大、体积小的开源HTML解析类库,在本篇仅仅是介绍了其中几个类的用法。