用XPath对Html进行解析

XPCOM

运用.NET Framework类来解析HTML文件、读取数据并不是最容易的。虽然你可以用.NET Framework中的许多类（如StreamReader）来逐行解析文件，但XmlReader提供的API并不是“取出即可用（out of the box）”的，因为HTML的格式不规范。你可以用正则表达式（regular expression），但如果你对这些表达式运用不熟练，你可能开始时会觉得它们有些难。

Microsoft的XML大师Chris Lovett最近在http://www.gotdotnet.com网站上发布了一个新的SGML解析器，叫做SgmlReader，它可以解析HTML文件，甚至将它们转换成一个格式规范的结构。SgmlReader派生于XmlReader，这就是说，你可以像运用诸如XmlTextReader这样的类来解析XML文件那样来解析HTML文件。在本文中，我将介绍如何用SgmlReader类来解析HTML文件并生成格式规范的HTML，从而使你可以用XPath语句来读取数据。

创建一个SgmlReader实例来解析HTML
在开始运用SgmlReader前，从gotdotnet.com下载它，并将assembly放到你的应用程序bin folder中。在可以运用assembly集后，编写代码来读取你想解析的HTML。在本文的例子中，我们用了HttpWebRequest和HttpWebResponse对象来访问一个远程的HTML文件：HttpWebRequest req =
(HttpWebRequest)WebRequest.Create(uri);
HttpWebResponse res =
(HttpWebResponse)req.GetResponse();
StreamReader sReader = new
StreamReader(res.GetResponseStream());




在得到远程的HTML文件后，你就可以创建一个SgmlReader类的实例了。通过将其DocType属性设置为“HTML”，让用户知道你正在处理HTML文件：SgmlReader reader = new SgmlReader();
reader.DocType = "HTML";




HTML文件的响应流可以被加载到SgmlReader实例，通过其InputStream属性进行解析。首先将HTML文件流加载到一个TextReader对象，然后将TextReader赋值给InputStream属性：reader.InputStream = new
StringReader(sReader.ReadToEnd());




现在，你就可以通过调用SgmlReader的Read()方法来解析HTML文件了： sw = new StringWriter();
writer = new XmlTextWriter(sw);
writer.Formatting = Formatting.Indented;
while (reader.Read()) {
if (reader.NodeType != XmlNodeType.Whitespace) {
writer.WriteNode(reader, true);
}
}




因为SgmlReader创建了格式规范的HTML，所以你可以用XPath语句来读取不同的节点。下面的代码说明了如何将SgmlReader生成的输出结果加载到一个XPathNavigator，然后如何用一个XPath语句来查询HTML文件结构：StringBuilder sb = new StringBuilder();
XPathDocument doc = new XPathDocument(new
StringReader(sw.ToString()));
XPathNavigator nav = doc.CreateNavigator();
XPathNodeIterator nodes = nav.Select(xpath);
while (nodes.MoveNext()) {
sb.Append(nodes.Current.Value);
}
return sb.ToString();




点击此处来查看SgmlReader类的一个实例演示。

如果你对XPath语言已经很熟悉，并了解.NET Framework中不同的XML解析API了，那么你就可以很容易地用SgmlReader类来解析HTML并读取数据了。