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;
}

}
}