处理 HTML 的 HtmlDocument 类实现
一个 XML 处理很复杂， 但在 .net 却非常方便， 因为系统已提供了 Xml 处理的工具。
一个 Xml 的文件处理是这个格式:
XmlDocument xml = new XmlDocument();
xml.Load("aa.xml");
xml.AppendChild(xml.CreateElement("r"));
但是 HTML 就不如此方便了， 当然 .net 有 HtmlDocument 类 (不知道 ? )
System.Windows.Form.UI.HtmlDocument 这是控件， 内部是 mshtml.dll 完成， 在 web 就无法使用了。
所以非常要做一个 像 XML 一样处理 HTML 的类。
操作 HTML 可以
HtmlDocument html = new HtmlDocument();
html.Load(new Uri(http://www.baidu.com));
html.GetElementById("name").Value = "3";
那就非常好了。
XML 和 HTML 可以解释为继承 HTML 来自 XML
XmlDocument 类的许多成员在 HtmlDocument 也存在
且 HtmlDocument 还有 GetElementById GetElementsByName 的函数
HtmlDocument 的成员不可自定义， 而是有标准的规范的。
首先 要知道:
HTMLNode 其实是1个单链表。
各元素之间 上一个节点指下个节点。 最后一个节点指父节点。
我之所以强调是因为很多人和我一样一直把它作为非链表的。
所以 HtmlNode集合其实是空的，只是提供游走链表的东西。
第二:
和 XML 相比， HTML 处理节点时不同的地方，也是写这个类最困难的地方:
HTML 可以不规范。
如下:
<html><head></html>
这对 XML 来说，是个抛出异常的好地方
XML说: 你给的东西不像话，我不干了， 杂的?
HTML说: 我很友善，我耐心的告诉你啥错了，我帮你修复。
于是 HTML 处理相当复杂。
如果碰到一个 </html> 其父节点不是 <html> 则应加入 </head> 。
类似一个栈， 有进必要出， 没出就抓出来
第三:
<p> 是讨厌的东西，因为 <p></p> 或 <p> 都合法。 需要获得下个节点才能决定<p>
一些<br> 之类的也有额外处理
接下来，可以开做了:
先写 HtmlNode 类
public abstract class HtmlNode {
public string NodeName { get; set; }
public NodeType NodeType { get; set; }
public HtmlNode NextSilding { get; set; }
}
然后是 HtmlAttributionCollection， HtmlAttribution
然后是 HtmlElement 类
public class HtmlElement : HtmlNode {
HtmlAttributionCollection Attributions;
public string TagName {get; set;}
}
最后是 HtmlDocument
这些类做好后，继续 词法分析工具
名字为
HtmlParser
这个类负责读取html ， 并获取当前位置，如 <html><head id="d">s</html>
将处理为
<html> <head id="d"> s </html>
这样就可知道基本的内容。
最后 HtmlLoader 为节点语法分析
HtmlLoader 有个跟节点(默认 HtmlDocument)
每次载入节点都存至跟节点。 ( 适合 InnerHTML = "" 调用)
HtmlLoader 管理一个栈，负责调整树。
如发现<html> 压入。
发现 </html> 把栈内所有<html>之外的都移除， 再移除 <html>
最后加点常用元素
如 HtmlImageElement ， 这样就是完整的 HTML 工具
在系统的 XML 中 使用了 NameTable 实现字符串缓存。
这个缓存由2个优点:
避免同一个 字串占多个位置
比较字串只要比较字符的引用，达到高速的比较。
因此 HTML 同样可以这样操作
最后， 作为 HTML 处理， 当然得提供类似浏览器的一些操作，如表单的提交。
因此 特地准备了 Form 节点， 提供提交函数，将文档值处理后上交。
这可以实现自动填 form ，自动登录等。
当然速度肯定比用控件好多，不过无法处理js部分。