解析HTML最好的类还是微软自己的

我主讲的课程下周要开始讲站内搜索的项目，其中已经重要的技术点是进行HTML的解析，发现程序运行非常慢，一开始以为是lucence的问题，一测试大吃一惊，每一步lucence中AddDocument等只用了几十毫秒，而HTML解析竟然用了9秒。 日志如下： 2010-06-26 15:51:25,171 [8] DEBUG SearchSite.StartIndex - DownloadString：00:00:00.0482329 2010-06-26 15:51:34,187 [8] DEBUG SearchSite.StartIndex - ThreadParser：00:00:09.0236490 2010-06-26 15:51:34,187 [8] DEBUG SearchSite.StartIndex - DeleteDocuments：00:00:00.0000069 2010-06-26 15:51:34,203 [8] DEBUG SearchSite.StartIndex - AddDocument：00:00:00.0191071 我使用的是Winista.HtmlParser这块网上找到的HTML解析器。遂准备更换解析器，但是用“.Net HTML Parser”在google上寻找，一直没找到合适的解析器，不是太难用，就是性能比Winista.HtmlParser还差。看到http://www.eggheadcafe.com/articles/parsinghtml.asp 这篇文章，我才想到，微软的MSHTML不就是用来解析HTML的吗？折腾这么一圈却忘了微软自家的东西，微软的东西性能肯定差不了。 添加对Microsoft.mshtml这个程序集的引用，然后编写如下代码： IHTMLDocument2 doc = new HTMLDocumentClass();             doc.write(new object[]{pageSource});             doc.close();             Title = doc.title;             Body = doc.body.innerText; 再测试，哇咔咔，快的要命，只有几十毫秒，2000个帖子一会儿就爬完了。 日志如下： 2010-06-26 16:26:35,546 [8] DEBUG SearchSite.StartIndex - DownloadString：00:00:00.0400263 2010-06-26 16:26:35,562 [8] DEBUG SearchSite.StartIndex - ThreadParser：00:00:00.0257731 2010-06-26 16:26:35,562 [8] DEBUG SearchSite.StartIndex - DeleteDocuments：00:00:00.0001913 2010-06-26 16:26:35,578 [8] DEBUG SearchSite.StartIndex - AddDocument：00:00:00.0010881 HTMLDocumentClass的方法比任何一个网上找到的HTML解析器都丰富，想怎么搞就怎么搞，而且调用方法就是操作Dom的方法，完全不用再去学，哇咔咔，爽呆了。 在使用的过程中遇到两个问题： 1、VS2010中引用Microsoft.mshtml之后，要修改这个引用的“嵌入互操作类型”为False。 2、调用doc.write方法的时候必须通过IHTMLDocument2接口来调用，否则报错“错误的类型”，在google上搜“type mismatch HTMLDocument write”发现这篇帖子http://www.vistax64.com/powershell/95133-how-powershell-parse-htmldocument.html ，提到必须通过IHTMLDocument2接口来调用，不明白为什么，没深入研究。