HtmlAgilityPack --解析Html源码

 最近项目需要从网络上抓取一下数据解析Html源码，奈何正则表达式难写，于是网上搜索找到了“ HtmlAgilityPack”类库，敏捷开发，果然效率非同寻常。

 在此做笔记，写下心得，顺便给自己总结一下。

 1、 HtmlAgilityPack使用的是XPath进行路径搜索，如果对XML路径搜索很熟悉，用起来会得心应手

<?xml version="1.0" encoding="ISO-8859-1"?>

<bookstore>

<book>
  <title lang="eng">Harry Potter</title>
  <price>29.99</price>
</book>

<book>
  <title lang="eng">Learning XML</title>
  <price>39.95</price>
</book>

</bookstore>

/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang='eng']	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

2、HtmlAgilityPack基本用法:

  最常使用的方法：SelectNodes (XPath)、 SelectSingleNode(XPath) 、

  CreateNode(HtmlNode.OuterHtml)（该方法通常用在查询完的结果再次进行分析，无法从查询出来的节点进行操作，查询是对大节点树的操作），一般用法

 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。（此方法我还没尝试，不知道是否能够加载网络上的方法）
 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。

我从网站获取数据用WebClient、WebRequest、WebResponse 简单协议（Http、ftp）请求，基本满足项目要求：

常用的属性：InnerHtml  InnerText   OuterHtml

            /// <summary>
        /// 通过Stream流下载Html源码
        /// </summary>
        /// <param name="Url"></param>
        /// <returns></returns>
        public static string DownLoadHtmlCode(string Url)
        {
            string HtmlCode = "";
            if (string.IsNullOrEmpty(Url)) return "";
            WebClient client = new WebClient();
            Stream stream=  client.OpenRead(Url);
            StreamReader sr = new StreamReader(stream);
            HtmlCode = sr.ReadToEnd();
            sr.Close();
            stream.Close();
            client.Dispose();
            return HtmlCode;

        }

                   HtmlAgilityPack.HtmlDocument hd = new HtmlAgilityPack.HtmlDocument();
                    //加载Html文档
                     hd.LoadHtml(DownLoadHtmlCode("http://www.baidu.com")); 

                      //以下是从代码里面截取部分信息

HtmlNode strHtml = null;
foreach (var item in hd.DocumentNode.SelectNodes("//*[@id='header']"))
{
//解析品牌
strHtml = HtmlNode.CreateNode(item.OuterHtml);
Project.Brand = strHtml.SelectSingleNode("//a[last()-1]").InnerText.Replace("移动手机", "").Replace("手机", "") + "<br/>";
}

 

 3、删除样式、脚本、脚本注释

    从密密麻麻的源码中查找有效的源码信息，删除样式、脚本、脚本注释，解析获取innerHtml，装载到泛型变量，进行二次操作（输出页面、数据库存储）

  //去掉脚本标签和内容
                if (hd.DocumentNode.SelectNodes("//script")!=null)
                {
                    foreach (var script in hd.DocumentNode.SelectNodes("//script"))
                        script.Remove();
                }
            
                //去掉样式标签和内容
                if (hd.DocumentNode.SelectNodes("//style")!=null)
                {
                    foreach (var style in hd.DocumentNode.SelectNodes("//style"))
                        style.Remove();
                } 
               

                //去掉注释标签和内容
                if (hd.DocumentNode.SelectNodes("//comment()")!=null)
                {
                    foreach (var comment in hd.DocumentNode.SelectNodes("//comment()"))
                        comment.Remove();//新增的代码
                }

 总结：

  HtmlAgilityPack 工具能够快速上手，而且是开源的，能够满足解析Html源码需求。