相信很多人都有过HTML文档解析的需求。比如我们抓取了某1个网站的页面数据,格式就是HTML的格式。以前我们都是通过正则表达式来进行解析,但是发现有一些问题。解析HTML文档时并不容易,如果文档的格式稍有变化很可能就不能正确的匹配。因此我们需要专门的工具来帮助我们轻松的解析HTML文档。

其实已经有一个非常不错的工具提供了。比如HtmlAgilityPack。它可以帮助我们解析HTML文档就像用XmlDocument类来解析XML一样轻松、方便。

这个工具可以在http://htmlagilitypack.codeplex.com/下载到,里面有支持各种.NET Framework的版本的dll。

好了,下面提供一个足够Simple的例子给大家。大家可以在此基础之上,举一反三。

比如要解析下面的HTML。

时间 类型 名称 单位 金额
2013-12-29 发票1 采购物资发票1 某某公司1 123元
2013-12-29 发票2 采购物资发票2 某某公司2 321元

以控制台项目为例,首先要引用HtmlAgilityPack.dll文件,这样才能使用dll里面的类和方法。

static void Main(string[] args)
{
    string strWebContent = @"" +
    @"" +
    @"
时间 类型 名称 单位 金额
2013-12-29 发票1 采购物资发票1 某某公司1 123元
2013-12-29 发票2 采购物资发票2 某某公司2 321元
"; List datas = new List();//定义1个列表用于保存结果 HtmlDocument htmlDocument = new HtmlDocument(); htmlDocument.LoadHtml(strWebContent);//加载HTML字符串,如果是文件可以用htmlDocument.Load方法加载 HtmlNodeCollection collection = htmlDocument.DocumentNode.SelectSingleNode("table/tbody").ChildNodes;//跟Xpath一样,轻松的定位到相应节点下 foreach (HtmlNode node in collection) { //去除\r\n以及空格,获取到相应td里面的数据 string[] line = node.InnerText.Split(new char[] { '\r', '\n', ' ' }, StringSplitOptions.RemoveEmptyEntries); //如果符合条件,就加载到对象列表里面 if (line.Length == 5) datas.Add(new Data() { 时间 = line[0], 类型 = line[1], 名称 = line[2], 单位 = line[3], 金额 = line[4] }); } //循环输出查看结果是否正确 foreach (var v in datas) { Console.WriteLine(string.Join(",", v.时间, v.类型, v.名称, v.单位, v.金额)); } }
/// 
/// 定义的实体类用于接收数据
/// 
public class Data
{
    public string 时间 { get; set; }
    public string 类型 { get; set; }
    public string 名称 { get; set; }
    public string 单位 { get; set; }
    public string 金额 { get; set; }
}

上面就是完整的代码,注释也很清楚。


最后看一下解析的结果:

Center