Html Agility Pack解析Html(C#爬虫利器)

有个需求要写网络爬虫,以前接触过一个叫Html Agility Pack这个解析html的库,这次又要用到,然而发现以前咋用的已经不记得了,现在从头开始记录一下使用过程.

Html Agility Pack官网.大家用的同时也可以去github上star一下这个项目,支持一下.net开源项目.(首页上有其github的项目地址)

加载Html

有几种方式可以加载Html

1. 从流(Stream)中加载

   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)
   

2. 从字符串加载Html(直接用的官网的一个例子)

   var html = @"
   
   
       
   This is bold heading
       
   This is underlined paragraph
       
   This is italic heading
   
    ";
   
   var htmlDoc = new HtmlDocument();
   htmlDoc.LoadHtml(html);
   
   var htmlBody = htmlDoc.DocumentNode.SelectSingleNode("//body");
   
   Console.WriteLine(htmlBody.OuterHtml);
   

3. 从文件加载

   string path = @"test.html";
   
   HtmlDocument doc = new HtmlDocument();
   doc.Load(path);
   
   HtmlNode node = doc.DocumentNode.SelectSingleNode("//body");
   
   Console.WriteLine(node.OuterHtml);
   

4. 还可以直接从网络上加载(套用官网的例子)

   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还是很容易的.主要利用XPath语法.同样套用官网的代码.

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

string name = htmlDoc.DocumentNode
    .SelectNodes("//td/input")  //双斜杠表示查询所有的子节点,如果是只要查询范围在当前节点的下一层子节点,则只用一个子节点.
    .First()
    .Attributes["value"].Value;

主要就是利用 HtmlNode.SelectSingleNode()和HtmlNode.SelectNodes()方法来寻找节点.

这是 Html Agility Pack 官网首页的一段html,现在以要拿到其中的pre标签的所有内容为例.

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);

具体的XPath语法可以看W3C的教程:W3CXPath教程.