C#对HTML文档的解析

相信很多人都有过HTML文档解析的需求。比如我们抓取了某1个网站的页面数据，格式就是HTML的格式。以前我们都是通过正则表达式来进行解析，但是发现有一些问题。解析HTML文档时并不容易，如果文档的格式稍有变化很可能就不能正确的匹配。因此我们需要专门的工具来帮助我们轻松的解析HTML文档。

其实已经有一个非常不错的工具提供了。比如HtmlAgilityPack。它可以帮助我们解析HTML文档就像用XmlDocument类来解析XML一样轻松、方便。

这个工具可以在http://htmlagilitypack.codeplex.com/下载到，里面有支持各种.NET
Framework的版本的dll。

好了，下面提供一个足够Simple的例子给大家。大家可以在此基础之上，举一反三。

比如要解析下面的HTML。

<table>
<thead>
<tr>
<th>时间</th>
<th>类型</th>
<th>名称</th>
<th>单位</th>
<th>金额</th>
</tr>
</thead>
<tbody>
<tr>
<td>2013-12-29</td>
<td>发票1</td>
<td>采购物资发票1</td>
<td>某某公司1</td>
<td>123元</td>
</tr>
<tr>
<td>2013-12-29</td>
<td>发票2</td>
<td>采购物资发票2</td>
<td>某某公司2</td>
<td>321元</td>
</tr>
<tbody>
</table>

以控制台项目为例，首先要引用HtmlAgilityPack.dll文件，这样才能使用dll里面的类和方法。

static void Main(string[] args)
{
string strWebContent = @"<table><thead>
<tr>
<th>时间</th>
<th>类型</th>
<th>名称</th>
<th>单位</th>
<th>金额</th>
</tr>
</thead>
<tbody>" +
@"<tr>
<td>2013-12-29</td>
<td>发票1</td>
<td>采购物资发票1</td>
<td>某某公司1</td>
<td>123元</td>
</tr>" +
@"<tr>
<td>2013-12-29</td>
<td>发票2</td>
<td>采购物资发票2</td>
<td>某某公司2</td>
<td>321元</td>
</tr>
</tbody>
</table>
";

List<Data> datas = new List<Data>();//定义1个列表用于保存结果

HtmlDocument htmlDocument = new HtmlDocument();
htmlDocument.LoadHtml(strWebContent);//加载HTML字符串，如果是文件可以用htmlDocument.Load方法加载

HtmlNodeCollection collection = htmlDocument.DocumentNode.SelectSingleNode("table/tbody").ChildNodes;//跟Xpath一样，轻松的定位到相应节点下
foreach (HtmlNode node in collection)
{
//去除\r\n以及空格，获取到相应td里面的数据
string[] line = node.InnerText.Split(new char[] { '\r', '\n', ' ' }, StringSplitOptions.RemoveEmptyEntries);

//如果符合条件，就加载到对象列表里面
if (line.Length == 5)
datas.Add(new Data() { 时间 = line[0], 类型 = line[1], 名称 = line[2], 单位 = line[3], 金额 = line[4] });
}

//循环输出查看结果是否正确
foreach (var v in datas)
{
Console.WriteLine(string.Join(",", v.时间, v.类型, v.名称, v.单位, v.金额));
}
}

/// <summary>
/// 定义的实体类用于接收数据
/// </summary>
public class Data
{
public string 时间 { get; set; }
public string 类型 { get; set; }
public string 名称 { get; set; }
public string 单位 { get; set; }
public string 金额 { get; set; }
}

上面就是完整的代码，注释也很清楚。

最后看一下解析的结果：