HTML+CSS入门 HTML Agility Pack详解-职坐标

HTML+CSS入门 HTML Agility Pack详解

沉沙 2018-09-06 来源：阅读 1290 评论 0

摘要：本篇教程介绍了HTML+CSS入门 HTML Agility Pack详解，希望阅读本篇文章以后大家有所收获，帮助大家HTML+CSS入门。

本篇教程介绍了HTML+CSS入门 HTML Agility Pack详解，希望阅读本篇文章以后大家有所收获，帮助大家HTML+CSS入门。

Html Agility Pack是codeplex里的一款开源框架，其主要功能是利用对象模型去操作html内容，能够把xpath等xml方面的技术简单、灵活地应用在html文档解析中。正如其介绍所说的那样，该框架非常适合用于开发爬虫，网络数据挖掘工具。更重要的是该框架完全由c#语言编写，便于对框架的修改和深入的研究。

　　下面来看看如何将html转换成xml格式

　　首先创建一个HtmlDocument对象(该HtmlDocument是Html Agility Pack中的类，并不是winform里的那个)，所有的对html的操作都通过这个对象实现。
HtmlDocument htmlDoc = new HtmlDocument();

接着设置输出成xml的一些选项
//输出成xml格式
htmlDoc.OptionOutputAsXml = true;

加载html字符串内容，同时输出转换结果
复制代码
// 加载html内容
htmlDoc.LoadHtml(@"<html><body>
<table>
         <tr>
         <td>dafd</td>
         <td>
         </tr>
  </table>
</body></html>");

// 将输出结果保存到字符串流中
  StringBuilder sbXml = new StringBuilder();
  StringWriter sw = new StringWriter(sbXml);
  htmlDoc.Save(sw);

Console.WriteLine(sbXml.ToString());
复制代码

提供的html内容并不是良好格式的xml，转换之后的结果:
复制代码
<?xml version="1.0" encoding="gb2312"?>
<html>
<body>
                <table>
                    <tr>
                        <td>dafd</td>
                        <td></td>
                    </tr>
                </table>
</body>
</html>
复制代码

转换之后，自动修复了没有匹配标记，并且加上了xml的声明。

另外在使用的时候，如果给定的html文档内容没有根节点，那么转换之后会自动添加一个名称为span的根节点。

比如输入的html文档如下：
复制代码
<script>var b ='b';</script>
<html><body>
                <table>
                    <tr>
                        <td>dafd</td>
                        <td>
                    </tr>
                </table>
                </body>
</html>
复制代码

转换结果如下：
复制代码
<?xml version="1.0" encoding="gb2312"?><span><script>
//<![CDATA[
var b ='b';
//]]>//
</script><html><body>
                <table>
                    <tr>
                        <td>dafd</td>
                        <td>
                    </td></tr>
                </table>
                </body></html></span>
复制代码

这种方式保证了转换时的安全，是否使用还是看具体的项目要求。

　　以上方式是给定了已有的html字符串，还有另外一种更加方便的方式，那就是直接给出url路径，利用HtmlWeb就能包办下载以及转换的功能。实现方式如下：
复制代码
            StringBuilder sbXml = new StringBuilder();
            StringWriter sw = new StringWriter(sbXml);
            XmlTextWriter tw = new XmlTextWriter(sw);

            HtmlWeb htmlWeb = new HtmlWeb();
            htmlWeb.LoadHtmlAsXml("//htmlagilitypack.codeplex.com/", tw);

            Console.WriteLine(sbXml.ToString());
复制代码

以上方式虽然方便，但是有一个不稳定的因素是：下载过来的html文档很有可能是乱码，并确实存在这种情况，为了更好的使用，我修改了下源代码，让其在下载的时候就能自动判断编码方式。

　　Html Agility Pack的效率比htmlparser有了很大的提升。但是在处理一些超大页面时，还是要有一些等待。另外还有一个美中不足的是，转换的结果还是不能100%地符合表中html格式的内容，只能说是95%地接近，比起firebug的html解析功能还差的远。