C#解析HTML神器 Html Agility Pack

标签：blog   http   os   使用   io   文件   ar   art   div   

曾经，我傻乎乎的用正则表达式成功的解析了学校的新闻网、教务管理系统、图书馆管理系统中我想要的所有的内容。那时候废了好大的劲写那正则啊，而且最后还是各种不给力，经常会有意想不到的bug出现，最后经过无数次修复才基本可以正常使用。但是还是很不爽的。后来看见别人用这个东西解析HTML，就感觉很强大，今天自己动手尝试了一下，当时几天的代码，用这个类库几分钟就搞定了。废话不多说，进入主题。

Html Agility Pack主页：http://htmlagilitypack.codeplex.com/

作者主页：http://zhoufoxcn.blog.51cto.com/792419/595344/

使用类库第一步：引用类库；

第二步：加载HTML文件：支持本地文件，也可以利用类库提供的document.LoadHtml()方法来加载远程的资源

第三步：获得根节点：

HtmlNode rootNode = document.DocumentNode;

第三步：在根节点下面要找你找的内容，这个我没有全部做尝试，下面是我做的一些测试代码，解析的是网易的新闻页；

 HtmlDocument document=new HtmlDocument();
            document.Load(@"E:\c.htm", Encoding.Default);
            HtmlNode rootNode = document.DocumentNode;
            HtmlNode titleNode = rootNode.SelectSingleNode("//h1[@id=‘h1title‘]");
            Console.WriteLine("-------------------------标题-------------------------------");
            Console.WriteLine(titleNode.InnerHtml);
            Console.WriteLine("-------------------------时间-------------------------------");
            HtmlNode timeNode = rootNode.SelectSingleNode("//div[@class=‘ep-info cDGray‘]/div[@class=‘left‘]");
            Console.WriteLine(timeNode.InnerHtml);
            Console.WriteLine("-------------------------正文-------------------------------");
            HtmlNode newsNode = rootNode.SelectSingleNode("//div[@class=‘end-text‘]");
            Console.WriteLine(newsNode.InnerHtml);
Console.ReadKey();

官方的文档告诉我们，可以使用如下的方法来获得根节点下面的一个或者多个子节点：

 /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。

 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

C#解析HTML神器 Html Agility Pack

标签：blog   http   os   使用   io   文件   ar   art   div   

原文地址：http://www.cnblogs.com/baiyunchen/p/3931439.html