C# 通过Html Agility Pack实现快速解析Html

简介

　　现在越来越多的场景需要我们使用网络爬虫，抓取相关数据便于我们使用，今天我主要总结一下HAP(Html Agility Pack)如何高效、快速、准确的解析我们抓取到的html中各元素节点及数据。

优势

　　在.NET技术下，解析html工具也很多，比如很多人可能会使用htmlparser，或者微软的MSHTML，htmlparser虽然比较易上手，但是相对应的解析速度较慢，而Html Agility Pack解析速度相当快，并且开源，易用，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。

　　传送门：官网地址，Github开源代码地址

方法介绍

　　其实Html Agility Pack的类不是很多，我们解析Html的时候，用到的也就HtmlDocument和HtmlNode（还有HtmlNodeCollection集合类）这几个类。官网也有相对应的API文档说明，其实真的是简单易懂，传送门：API文档

一、如何加载Html？

HtmlDocument类定义； 多个重载Load方法来实现不同方式的Html加载，主要常见的有三种方式；从文件加载、从字符串加载、从网页链接加载。

//1.从物理路径的文件加载
var doc = new HtmlDocument();
doc.Load(filePath);//文件路径

//2.从字符串当中加载
var doc = new HtmlDocument();
doc.LoadHtml(html);

//3.从网页的Url链接加载
var url = "https://blog.csdn.net/yanghaolong";
var web = new HtmlWeb();
var doc = web.Load(url);

 二、如何解析Dom元素获取到相关元素下的数据？

这个时候我们需要用到HtmlNodeCollection和HtmlNode这两个类，我们把Html每个标签看作一个Node，所有我们想到定位到某个标签的内容，就需要知道这个标签的相关属性。顺便说一下，HtmlNode类实现了IXPathNavigable接口，这说明了它可以通过xpath来定位数据了，如果你对解析XML格式数据的XmlDocument类了解的话，特别是使用过了SelectNodes()和SelectSingleNode()方法的人来说，对使用HtmlNode类将会很熟悉。其实Html Agility Pack内部是把html解析成xml文档格式了的，所以支持xml中的一些常用查询方式。下面通过简单示例对HtmlNode的一些主要的常用成员作简要的说明。

示例:

    
         
    
Harlan的专栏
    
智慧生活源于每一个技术奉献人
    
   
    


    
测试1
    
测试2

一般Html最常见的是div标签元素，它可能会定义一些属性，比例本文当中的

，有些不是id属性，是class属性，这个根据实际情况而定，要灵活变通.根据实际情况而定.

（1）通过ID属性(或者其他属性)来选择对应的节点

　　通用格式：@id=‘xxxx’（id可以是其他属性等等），比如我们要定位示列代码中标题。其中通过XPath在HTML中解析查找各元素内容

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(url)//html URL
//下面的意思是：通过属性id的值，来定位header下的vTitle节点信息
 HtmlNode titleNode = doc.DocumentNode.SelectSingleNode("//div[@id='header']/div[@id='vTitle']");

我们还可以不通过属性id去定位，还有通过索引去定位，如下所示，这个效果和上面是等同的：

 //下面的意思是：通过索引定位，div[2]是表示根节点的第二个
HtmlNode titleNode = doc.DocumentNode.SelectSingleNode("//div[2]/div[1]");

备注：注意路径里"//"表示从根节点开始查找，两个斜杠‘//’表示查找所有childnodes；一个斜杠'/'表示只查找第一层的childnodes（即不查找grandchild）；点斜杠"./"表示从当前结点而不是根结点开始查找。我们接着上面titleNode节点。

//下面的意思是：通过当前titleNode节点，获取便签h1的节点
 HtmlNode IDNode = titleNode.SelectSingleNode("./h1");

（2）如何获取节点文本内容

　　接着上面（1）所说的，通过代码“HtmlNode IDNode = doc.DocumentNode.SelectSingleNode("//div[@id='header']/div[@id='vTitle']/h1") ”获取到了IDNode的节点，那么接下来，我们需要这么获取具体的文本值呢？有三种方式获取OuterHtml，InnerHtml和InnerText。

　　HtmlNode类设计了OuterHtml属性和InnerHtml属性用于获取当前节点的Html源码。两者不同之处是，OuterHtml属性返回的是包含当前节点的Html代码在内的所有Html代码，而InnerHtml属性返回的是当前节点里面子节点的所有Html代码，InnerText属性过滤掉了所有的Html标记代码，只返回文本值。具体用哪种方式，要根据我们实际情况而定，一般InnerHtml和InnerText使用的频率比较多。如下所示：

//我们获取内容
IDNode.OuterHtml ///返回结果是：
Harlan的专栏
IDNode.InnerHtml ///返回结果是：Harlan的专栏
IDNode.InnerText ///返回结果是：Harlan的专栏

（3）如何获取节点属性值

　　假如我们上面Html数据当中，博主博客地址，在标签

里的标签里，这个时候就需要使用HtmlNode下的Attribute属性了。

string value = doc.DocumentNode.SelectSingleNode("//div[@id='header']/div[@id='vTitle']/a").Attributes["href"].Value;

 （4）如何获取某个标签的所有节点

 　　我们如果获取前面Html数据的li所有分类，这个时候需要使用方法SelectNodes了

HtmlNodeCollection uiListNodes = doc.DocumentNode.SelectNodes("//ui[@id='navList']/li");

　更多的方法大家可以到官网的API文档进行了解，这里就不做更多的说明。