一个犀利的 HTML 解析器 —— Less.Html

我写了这个解析器之后才知道,原来 C# 写的 html 解析器有很多。但是因为我没有参照别人的做法,Less.Html 有一个特点,就是它的用法是最接近 jQuery 的。我刻意模仿了 jQuery。比如我写的 示例一

1
2
3
4
5
6
7
8
9
var q = HtmlParser.Query(testHtml);
 
foreach (Element i in q( "td" ))
{
     if (!q(i).find( "table" ).hasElement)
     {
         Console.WriteLine(i.textContent);
     }
}

解析之后返回的 q 对象,等同于 jQuery 的 $,因为 C# 不支持用 $ 做变量名,所以我用 q 代替。foreach 循环的部分,在 jQuery 的写法应该是:

1
for (var i = 0; i < $( "td" ).length; i++)

其实在 Less.Html 里面,同样可以这样写,jQuery 不能使用foreach 的原因是,它会枚举对象的属性,C# 没有这个烦恼,所以我做了些改进。if 条件部分,q 和 jQuery 的 $ 一样,是可以传入 Element 类型的,然后调用的 find 方法,作用也是和 jQuery 一样的。hasElement 这个属性,实际上就是 length > 0 的判断,是我写的一个扩展属性,当然,你在 jQuery 里面也可以通过 prototype 做同样的事情。输出部分,textContent 是 HTML DOM 标准的一个方法,作用是获取节点及其后代的文本内容,这和你在编写浏览器运行的 javascript 是一样的。

Less.Html 从解析核心到 DOM、选择器都是我手写的,没有任何依赖项,编译之后只有两个 dll:

一个犀利的 HTML 解析器 —— Less.Html_第1张图片

其中一个是我的基础类库,也是开源的。

示例一代码:GitHub    码云

项目代码:GitHub    码云

NuGet:
https://www.nuget.org/packages/Less.Html

我当时写这个解析器是因为要做网页爬虫,核心三天写完就能用了,并用来解析了几百万个网页,可用性上是没有问题的。后来我觉得 Razor 语法还是不够好,于是我改进了这个解析器,加上了选择器和操作 html 文档的方法,制作了我自己的视图引擎 QPage。我的个人博客就是使用这个引擎写的:

https://www.nuget.org/packages/QPage/

QPage 在添加文档之后,也会开源。

后来我在网上知道了 csQuery、Jumony 这些解析器的作者,都会把自己的解析器做成视图引擎,我开始觉得在服务器端解析文档,而不是拼接文档,应该是未来的趋势。

以下是 Less.Html 支持的选择器:

选择器 实例 选取
* q("*") 所有元素
#id q("#lastname") id="lastname" 的元素
.class q(".intro") 所有 class="intro" 的元素
element q("p") 所有

元素

:first q("p:first") 第一个

元素

:last q("p:last") 最后一个

元素

[attribute] q("[href]") 所有带有 href 属性的元素
[attribute=value] q("[href='#']") 所有 href 属性的值等于 "#" 的元素
:checkbox q(":checkbox") 所有 type="checkbox" 的 元素
:eq(index) q("ul li:eq(3)") 列表中的第四个元素(index 从 0 开始)
:gt(no) q("ul li:gt(3)") 列出 index 大于 3 的元素
:lt(no) q("ul li:lt(3)") 列出 index 小于 3 的元素

以及它们的组合使用,比如 .class element.class 或者 .class.class,暂时不支持 .class>.class 这种。

因为时间紧迫,加上对我来说够用了,我并没有实现所有的 css3 选择器,而是根据需要逐步添加,添加了新的选择器我会更新上面的表格。

下面是我写的一些使用示例:

示例一:获取嵌套元素中的正确内容 
示例二:以 Less.Html 做视图引擎 
示例三:与 WebClient 的配合使用,以抓取 CSDN 论坛内容为例
示例四:与 WebBrowser 的配合使用,以抓取京东手机价格为例
示例五:使用方法详解

如果你实在不想用 Less.Html,我可以介绍一些其他选择:

Html Agility Pack,这个应该是最早的一个,我当时没有用,是因为网上有人说有容错性的问题,如果一个标签没有结束,解析的结果和浏览器不一致。不过这个项目现在都还有维护,我想应该有所改进的。

CsQuery,两年前就没有维护了,网上说这个项目有很好的 css 选择器。我看了介绍,它使用的是 Gecko 的解析器,如果是这样的话,可用性和速度都是有保证的。

AngleSharp,我看了一下介绍,这个项目还有 GUI,应该是功能最强大的一个吧。

Jumony,国产。如果我自己没有写的话,我会使用这个,因为有中文的说明。

你可能感兴趣的:(Less.Html)