码迷,mamicode.com
首页 > Windows程序 > 详细

HTML解析器HtmlAgilityPack的一些使用总结(C#)

时间:2016-01-07 06:36:41      阅读:336      评论:0      收藏:0      [点我收藏+]

标签:

哎~本来这些总结是作为使用时的快速备注,但是用不上了.实际应用当中HtmlAgilityPack的可靠性不太稳定,一主要问题是:
-> 一些字符会出现乱码或者变成‘?‘,如韩语字符.由于我是已经有HTML源,只需要Load后解析,所以设置OverrideEncoding的方法不管用.
-> 有时候获取到的元素内容会多个换行或空格什么的,然后又要增加代码过滤,然后效率就下来了... ...
浪费了不少时间,到头来还是mshtml可靠性高些.而且调用方法也熟悉.
不管网上对各种HTML解析器怎么测评,只有自己试了才知道...

/*
    c# HtmlAgilityPack
    --------------------------------
 * 关于节点的重要属性:
    Attributes             获取节点的属性集合
    ChildNodes            获取子节点集合(包括文本节点)
    HasAttributes           判断该节点是否含有属性
    HasChildNodes           判断该节点是否含有子节点
    HasClosingAttributes        判断该节点的关闭标签是否含有属性(</xxx class="xxx">)
    Line               获取该节点的开始标签或开始代码位于整个HTML源代码的第几行(行号)
    Name                Html元素名
    Id                获取该节点的Id属性
    NextSibling            获取下一个兄弟节点
    PreviousSibling          获取前一个兄弟节点
    NodeType              获取该节点的节点类型(四个:Text,Element,Document,Comment)
    OwnerDocument            节点所在的HtmlDocument文档
    ParentNode            获取该节点的父节点
    XPath               根据节点返回该节点的XPath
 * 关于节点的重要方法:
    Elements(string name);       根据参数名获取匹配的元素集合
    Element(string name);       根据参数名获取一个元素
    DescendantNodes();         获取所有子代节点,如果有参数,注意元素名要与参数匹配
    DescendantNodesAndSelf();     获取所有的子代节点以及自身,如果有参数,注意元素名要与参数匹配
    --------------------------------
    Document.GetElementbyId("box").InnerText;

    //枚举元素两种写法
    string s = "";
    HtmlNodeCollection nodes = Document.DocumentNode.SelectNodes("//li");
    foreach (HtmlNode li in nodes)
    {
        s+=li.InnerText+" ";
    }
    --------------------------------
    foreach (HtmlNode li in Document.DocumentNode.Descendants("li"))
    {
        s+=li.InnerText+" ";
    }
    --------------------------------
    string s = node.Attributes["src"].Value;
    string s = node.Attributes["href"].Value;
    string s = node.Attributes["title"].Value;
    --------------------------------
    //获取所有板块的a标签
    HtmlAgilityPack.HtmlNodeCollection collection = doc.DocumentNode.SelectNodes("//a");
    --------------------------------
    //获取所有a标签的链接
    foreach (HtmlNode a in Document.DocumentNode.Descendants("a"))
    {
        s+=a.Attributes["href"].Value+" ";
    }
    或者
    foreach (HtmlNode a in Document.DocumentNode.SelectNodes("//a"))
    {
        s+=a.Attributes["href"].Value+" ";
    }
    --------------------------------
    //获取标题,SelectSingleNode用于获取满足条件的唯一的节点。
    Document.DocumentNode.SelectSingleNode("//title").InnerText;
    --------------------------------
    //获取name为selected的li,也就是相当于getElementsByName():
    HtmlNode node = Document.DocumentNode.SelectSingleNode("//li[@name=‘selected‘]"); 
    s=node.InnerText;
    或者
    Document.DocumentNode.SelectSingleNode("//li[@name=‘selected‘]").InnerText;
    --------------------------------
    每一个Htmlnode,你要获取他的数据用这个方法:  node.Attributes["src"].Value
    --------------------------------
    xpath包含7个类型:元素(Element),属性(Attribute),文本(Test),命名空间,处理指令,注释,文档根节点。
    下面列出了最有用的路径(也就是遇到的参数叫:XPath)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。 
    @           选取属性。
 * 注意:
    “//”:从当前选择的节点开始寻找,对于后面的表达式是在当前节点中的任意位置寻找,只要符合的就加入到选择结果中。
    “./”:也是从当前选择的节点开始选择,但是仅仅是寻找当前节点的直系子元素,而对于孙子及以后的节点都不考虑。
    --------------------------------
    /div/li[1]:选取属于div子元素的第一个li元素。  
    /div/li[last()]:选取属于div子元素的最后一个li元素。  
    /div/li[last()-1]:选取属于div子元素的倒数第二个li元素。  
    /div/li[position()<3]:选取最前面的两个属于 div 元素的子元素的li元素。  
    //title[@lang]:选取所有拥有名为lang的属性的title元素。  
    //div[@id=‘box‘]:选取所有div元素,且这些元素拥有值为box的id属性。
    /div/li[Order>2]:选取div元素的所有li元素,且其中的Order元素的值须大于2。  
    /div/li[Order<3]/Title:选取div元素中的li元素的所有Title元素,且其中的Order元素的值须小于3。 
    --------------------------------
 */

 

HTML解析器HtmlAgilityPack的一些使用总结(C#)

标签:

原文地址:http://www.cnblogs.com/xiii/p/5107969.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!