HTML解析利器HtmlAgilityPack - 小y

一个.NET下的HTML解析类库HtmlAgilityPack。HtmlAgilityPack是一个支持用XPath来解析HTML的类库，在花了一点时间学习了解HtmlAgilityPack的API和XPath之后，周公就做了一个简单的工具完成了这个功能， HtmlAgilityPack是一个开源的.NET类库，它的主页是 http://htmlagilitypack.codeplex.com/ ，在这里可以下载到最新版的类库及API手册，此外还可以下载到一个用于调试的辅助工具。

  
  XPath简明介绍 
 XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。 
 下面列出了最有用的路径表达式： 
 nodename:选取此节点的所有子节点。  
 /:从根节点选取。  
 //:从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。  
 .:选取当前节点。  
 ..:选取当前节点的父节点。 
 例如有下面一段XML: 
 

<?xml version="1.0" encoding="utf-8"?> 
 <Articles> 
 <Article> 
   <Title>在ASP.NET中使用Highcharts js图表</title> 
   <Url>http://www.baidu.com</Url> 
   <CreateAt type="en">2011-04-07</price> 
 </Article> 
 <Article> 
   <Title lang="eng">Log4Net使用详解（续）</title> 
   <Url>http://www.baidu.com</Url> 
   <CreateAt type="zh-cn">2010年11月23日</price> 
 </Article> 
 <Article> 
   <Title>J2ME开发的一般步骤</title> 
   <Url>http://www.baidu.com</Url> 
   <CreateAt type="zh-cn">2011年06月12日</price> 
 </Article> 
 <Article> 
   <Title lang="eng">PowerDesign高级应用</title> 
   <Url>http://www.baidu.com</Url> 
   <CreateAt type="zh-cn">2007-09-08</price> 
 </Article> 
 </Articles>

1、获取网页title：doc.DocumentNode.SelectSingleNode("//title").InnerText;

 解释：XPath中“//title”表示所有title节点。SelectSingleNode用于获取满足条件的唯一的节点。

2、获取所有的超链接：doc.DocumentNode.Descendants("a")

3、获取name为kw的input，也就是相当于getElementsByName()： var kwBox = doc.DocumentNode.SelectSingleNode("//input[@name='kw']");

解释："//input[@name='kw']"也是XPath的语法，表示：name属性等于kw的input标签。

  针对上面的XML文件，我们列出了带有谓语的一些路径表达式，以及表达式的结果：
 /Articles/Article[1]：选取属于Articles子元素的第一个Article元素。  
 /Articles/Article[last()]：选取属于Articles子元素的最后一个Article元素。  
 /Articles/Article[last()-1]：选取属于Articles子元素的倒数第二个Article元素。  
 /Articles/Article[position()<3]：选取最前面的两个属于 bookstore 元素的子元素的Article元素。  
 //title[@lang]：选取所有拥有名为lang的属性的title元素。  
 //CreateAt[@type='zh-cn']：选取所有CreateAt元素，且这些元素拥有值为zh-cn的type属性。  
 /Articles/Article[Order>2]：选取Articles元素的所有Article元素，且其中的Order元素的值须大于2。  
 /Articles/Article[Order<3]/Title：选取Articles元素中的Article元素的所有Title元素，且其中的Order元素的值须小于3。 
  
  HtmlAgilityPack API简明介绍 
 在HtmlAgilityPack中常用到的类有HtmlDocument、HtmlNodeCollection、 
HtmlNode和HtmlWeb等。 
 其流程一般是先获取HTML，这个可以通过HtmlDocument的Load()或LoadHtml()来加载静态内容，或者也可以HtmlWeb的Get()或Load()方法来加载网络上的URL对应的HTML。 
 得到了HtmlDocument的实例之后，就可以用HtmlDocument的DocumentNode属性，这是整个HTML文档的根节点，它本身也是一个HtmlNode，然后就可以利用HtmlNode的SelectNodes()方法返回多个HtmlNode的集合对象HtmlNodeCollection，也可以利用HtmlNode的SelectSingleNode()方法返回单个HtmlNode。 
  
  HtmlAgilityPack实战 
 下面是一个解析CSDN博客的代码实例： 
 

using System;  
 using System.Collections.Generic;  
 using System.Text;  
 using HtmlAgilityPack;  
 using System.Text.RegularExpressions;  
   
 namespace CrawlPageApplication  
 {  
  /** 
   */ 
   public class CSDN_Parser  
  {  
   private const string CategoryListXPath = "//html[1]/body[1]/div[1]/div[1]/div[2]/div[1]/div[1]/dl[1]/dd[3]/div[1]/ul[1]/li";  
   private const string CategoryNameXPath = "//li[1]/a[2]";  
   
   /// <summary>  
     /// 分析博客首页 
   /// </summary>  
     /// <param name="url"></param>  
     /// <returns></returns>  
     public static List<Category> ParseIndexPage(string url)  
   {  
    Uri uriCategory=null;  
    List<Category> list = new List<Category>(40);  
      
    HtmlDocument document = new HtmlDocument();  
 //注意，这里省略掉了使用本人其它类库中加载URL的类，而是直接加载本地的HTML文件 
    //string html = HttpWebUtility.ReadFromUrl(url, Encoding.UTF8); 
    //document.LoadHtml(html); 
       document.Load("CSDN_index.html", Encoding.UTF8);  
    HtmlNode rootNode = document.DocumentNode;  
    HtmlNodeCollection categoryNodeList = rootNode.SelectNodes(CategoryListXPath);  
    HtmlNode temp = null;  
    Category category = null;  
    foreach (HtmlNode categoryNode in categoryNodeList)  
    {  
     temp = HtmlNode.CreateNode(categoryNode.OuterHtml);  
     category = new Category();  
     category.Subject = temp.SelectSingleNode(CategoryNameXPath).InnerText;  
     Uri.TryCreate(UriBase, temp.SelectSingleNode(CategoryNameXPath).Attributes["href"].Value, out uriCategory);  
     category.IndexUrl = uriCategory.ToString();  
     category.PageUrlFormat=category.IndexUrl+"?PageNumber={0}";  
     list.Add(category);  
     Category.CategoryDetails.Add(category.IndexUrl, category);  
    }  
    return list;  
   }  
   
  }  
 }