c#蜘蛛程序之HTML解析利器HtmlAgilityPack

在以前的项目中对HTML解析的，是采用正则表达式一步步将无关的HTML注释及JS代码部分删除掉，然后再用正则表达式找出需要提取的部分，可以说使用正则表达式来做是一个比较繁琐的过程，特别是对于正则表达式不是很熟悉或者要处理的HTML很复杂的情况下。

现在我们可以用一个.NET下的HTML解析类库HtmlAgilityPack。HtmlAgilityPack是一个支持用XPath来解析HTML的类库，学习了解HtmlAgilityPack的API和XPath非常必要。

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>牛B的简历是神马，如此神奇。</Title>

<Url>http://chebazi.net/showtopic-401.aspx</Url>

<CreateAt type="en">2011-04-07</CreateAt>

</Article>

<Article>

<Title lang="eng">

【功夫熊猫2】美国2011冒险动作动画大片

</Title>

<Url>http://chebazi.net/showtopic-109.aspx</Url>

<CreateAt type="zh-cn">

2010年11月23日

</CreateAt>

</Article>

<Article>

<Title>

是爷们的必看,女生勿入！！！

</Title>

<Url>http://chebazi.net/showtopic-396.aspx</Url>

<CreateAt type="zh-cn">

2011年06月12日

</CreateAt>

</Article>

<Article>

<Title lang="eng">

暧昧

</Title>

<Url>http://www.iofeng.com/</Url>

<CreateAt type="zh-cn">

2007-09-08

</CreateAt>

</Article>

< /articles>

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

以http://www.hao123.com/game.htm为列获取下面各项的链接和文字。

using System;

using System.Collections.Generic;

using System.IO;

using System.Linq;

using System.Net;

using System.Web;

using System.Web.UI;

using System.Web.UI.WebControls;

using System.Text;

using HtmlAgilityPack;

public class Category

{

public string Subject { get; set; }

public string IndexUrl { get; set; }

}

public partial class _Default : System.Web.UI.Page

{

private const string CategoryListXPath = "//html[1]/body[1]/div[3]/center[1]/div[1]/table[1]/tr"; //关键点，不同网站分析不同的路径

private const string CategoryNameXPath = "//td/a[1]"; //关键点，不同网站分析不同的路径

private const string ChooseXPath = "//a[1]";

protected void Button1_Click(object sender, EventArgs e)

{

Uri url = new Uri(this.TextBox1.Text.Trim());

Uri uriCategory = null;

HttpWebRequest request = (HttpWebRequest)WebRequest.Create(url);

WebResponse response = request.GetResponse();

Stream stream = response.GetResponseStream();

StreamReader read = new StreamReader(stream,Encoding.GetEncoding("gb2312"));

string str = read.ReadToEnd();

HtmlDocument html = new HtmlDocument();

html.LoadHtml(str);

HtmlNode rootNode = html.DocumentNode;

HtmlNodeCollection categoryNodeList = rootNode.SelectNodes(CategoryListXPath);

HtmlNode temp = null;

List<Category> list = new List<Category>();

foreach (HtmlNode categoryNode in categoryNodeList)

{

temp = HtmlNode.CreateNode(categoryNode.OuterHtml);

HtmlNode singleNode = temp.SelectSingleNode(CategoryNameXPath);

if(singleNode == null)

continue;

HtmlNodeCollection singleList = temp.SelectNodes(CategoryNameXPath);

foreach(HtmlNode node in singleList)

{

HtmlNode createNode = HtmlNode.CreateNode(node.OuterHtml);

HtmlNode reNode = createNode.SelectSingleNode(ChooseXPath);

if (reNode == null)

continue;

Category category = new Category();

category.Subject = reNode.InnerText;

Uri.TryCreate(url, reNode.Attributes["href"].Value, out uriCategory);

category.IndexUrl = uriCategory.ToString();

list.Add(category);

}

}

string re =null;

foreach (Category cate in list)

{

re +=string.Format("<tr><td><a href={0}>{1}</a></td></tr>",cate.IndexUrl,cate.Subject);

}

this.Literal1.Text = string.Format("<table>{0}</table>", re);

}

protected void Page_Load(object sender, EventArgs e)

{

}

}