码迷,mamicode.com
首页 > Windows程序 > 详细

C#爬虫(04):HtmlAgilityPack解析html文档

时间:2020-07-10 11:44:05      阅读:73      评论:0      收藏:0      [点我收藏+]

标签:根据   level   eth   encoding   package   tno   tor   title   width   

一、爬虫概述

C#(99):HttpClient网络HTTP请求和相应

1、使用浏览器获取页面源码

  1. C#使用Selenium
  2. Web browser控件CefSharp的使用

2、HTML解析组件

  1. HtmlAgilityPackhttps://github.com/zzzprojects/html-agility-pack/
  2. Fizzler.Systems.HtmlAgilityPackhttps://www.nuget.org/packages/Fizzler.Systems.HtmlAgilityPack
    Fizzler是用于文档层次结构的W3C选择器解析器和通用选择器框架。这个包使Fizzler优于HTMLAgilityPack,为HtmlNode对象添加了QuerySelector和QuerySelectorAll(来自选择器API Level 1)。       
  3. Jumony(2014年不更新了):https://github.com/Ivony/Jumony

二、HtmlAgilityPack介绍

参考:

GitHub:https://github.com/zzzprojects/html-agility-pack/releases

官网:https://html-agility-pack.net/

https://www.nuget.org/packages/HtmlAgilityPack/

HtmlAgilityPack(以下简称HAP)是一个基于.Net的、第三方免费开源的微型类库,主要用于在服务器端解析html文档。

HtmlAgilityPack为网页提供了标准的DOM API和XPath导航 。使用WebBrowser和HttpWebRequest下载的网页可以用Html Agility Pack来解析。

技术图片

Xpath表达式的参考文档可见:https://www.cnblogs.com/springsnow/p/11810458.html#_label0

三、属性和方法

HtmlAgilityPack中的HtmlNode类与XmlNode类差不多,HtmlDocument类与XmlDocument类差不多。

参考:https://www.cnblogs.com/springsnow/p/12883050.html

下面来看看该类提供功能。

属性:

  • OwnerDocument节点所在的HtmlDocument文档
  • Attributes 获取节点的属性集合
  • ParentNode:获取该节点的父节点
  • ChildNodes获取子节点集合(包括文本节点)
  • FirstChild 获取第一个子节点
  • LastChild  获取最后一个子节点
  • Id 获取该节点的Id属性
  • NameHtml元素名
  • NodeType    获取该节点的节点类型
  • InnerHtml 获取该节点的Html代码
  • InnerText  获取该节点的内容,与InnerHtml不同的地方在于它会过滤掉Html代码,而InnerHtml是连Html代码一起输出
  • OuterHtml 整个节点的代码
  • PreviousSibling: 获取前一个兄弟节点
  • NextSibling 获取下一个兄弟节点
  • 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">)
  • Closed该节点是否已关闭(</xxx>)
  • ClosingAttributes在关闭标签的属性集合StreamPosition: 该节点位于整个Html文档的字符位置
  • XPath:  根据节点返回该节点的XPath

方法:

  • Load (string path)  从路径中加载一个文档
  • SelectNodes (string xpath)  根据XPath获取一个节点集合
  • SelectSingleNode (string xpath)  根据XPath获取唯一的一个节
  • Ancestors ()  返回此元素的所有上级节点的集合。
  • DescendantNodes ()  获取所有子代节点
  • Element (string name)  根据参数名获取一个元素
  • Elements (string name)  根据参数名获取匹配的元素集合
  • GetAttributeValue(string name, bool def)  帮助方法,用来获取此节点的属性的值(布尔类型)。如果未找到该属性,则将返回默认值。
  • ChildAttributes(string name)  获取所有子元素的属性(参数名要与元素名匹配)
  • IsEmptyElement(string name)  确定是否一个空的元素节点。
  • IsOverlappedClosingElement(string text)  确定是否文本对应于一个节点可以保留重叠的结束标记。
  • AppendChild(HtmlNode newChild)  将参数元素追加到为调用元素的子元素(追加在最后)
  • PrependChild(HtmlNode newChild)  将参数中的元素作为子元素,放在调用元素的最前面
  • Clone()  本节点克隆到一个新的节点
  • CopyFrom(HtmlNode node)  创建重复的节点和其下的子树。
  • CreateNavigator()  返回的一个对于此文档的XPathNavigator
  • CreateNode(string html)  静态方法,允许用字符串创建一个新节点
  • CreateRootNavigator()  创建一个根路径的XPathNavigator
  • InsertAfter(HtmlNode newChild, HtmlNode refChild)  将一个节点插入到第二个参数节点的后面,与第二个参数是兄弟关系
  • InsertBefore(HtmlNode newChild, HtmlNode refChild)  将一个节点插入到第二个参数节点的后面,与第二个参数是兄弟关系
  • Remove()  从父集合中移除调用节点
  • SetAttributeValue(string name, string value)  设置调用节点的属性
  • WriteContentTo()  将该节点的所有子级都保存到一个字符串中。
  • WriteTo()  将当前节点保存到一个字符串中。
  • Save(string filename)  将HTML文档保存到指定的路径

四、用法

技术图片

下面是几个简单使用说明:

1、获取网页title:

doc.DocumentNode.SelectSingleNode("//title").InnerText;//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‘]");

示例:

private void Form1_Load(object sender, EventArgs e)
{
    List<Result> list = new List<Result>();
    HtmlWeb htmlWeb = new HtmlWeb();
    htmlWeb.OverrideEncoding = Encoding.UTF8;//编码,这里网上有些很多写法都不正确
    HtmlAgilityPack.HtmlDocument htmlDoc = htmlWeb.Load(@http://www.cnblogs.com/);
    //选择博客园首页文章列表
    htmlDoc.DocumentNode.SelectNodes("//div[@id=‘post_list‘]/div[@class=‘post_item‘]").//双斜杠“//”表示从跟节点开始查找
        AsParallel().ToList().ForEach(ac =>
        {
            //抓取图片,因为有空的,所以拿变量存起来
            HtmlNode node = ac.SelectSingleNode(".//p[@class=‘post_item_summary‘]/a/img");
            list.Add(new Result
            {
                url = ac.SelectSingleNode(".//a[@class=‘titlelnk‘]").Attributes["href"].Value,
                title = ac.SelectSingleNode(".//a[@class=‘titlelnk‘]").InnerText,
                //图片如果为空,显示默认图片
                img = node == null ? "http ://www.cnblogs.com//Content/img/avatar.png" : node.Attributes["src"].Value,
                content = ac.SelectSingleNode(".//p[@class=‘post_item_summary‘]").InnerText
            });
        });

    foreach (Result item in list)
    {
        this.listBox1.Items.Add(item.title);
    }
}
/// <summary>
/// 页面抓取结果
/// </summary>
public class Result
{
    /// <summary>
    /// 链接
    /// </summary>
    public string url { get; set; }
    /// <summary>
    /// 标题
    /// </summary>
    public string title { get; set; }
    /// <summary>
    /// 头像地址
    /// </summary>
    public string img { get; set; }
    /// <summary>
    /// 正文内容
    /// </summary>
    public string content { get; set; }
}

示例2:下载微软文档

using HtmlAgilityPack;
using System;
using System.Collections.Generic;
using System.IO;
using System.Text;

namespace ConsoleApp4
{
    internal class Program
    {
        private static void Main(string[] args)
        {
            //网页地址:
            string Url = "https://docs.microsoft.com/zh-cn/aspnet/mvc/overview/getting-started/getting-started-with-ef-using-mvc/implementing-inheritance-with-the-entity-framework-in-an-asp-net-mvc-application";

            List<string> list = new List<string>(); ;
            HtmlWeb htmlWeb = new HtmlWeb();
            htmlWeb.OverrideEncoding = Encoding.UTF8;

            HtmlDocument htmlDoc = htmlWeb.Load(Url);

            HtmlNode node = htmlDoc.DocumentNode.SelectSingleNode("//main[@id=‘main‘]");

            //去掉英文翻译
            var a = node.SelectNodes("//span[@class=‘sxs-lookup‘]");
            foreach (HtmlNode b in a)

            {
                b.Remove();
            }

            string src = "";
            //图片相对路径改成绝对路径
            var imgNode = node.SelectNodes("//img[@data-linktype=‘relative-path‘]");
            foreach (HtmlNode node1 in imgNode)
            {
                src = node1.GetAttributeValue("src", "");
                var url = new Uri(htmlWeb.ResponseUri, src);
                node1.SetAttributeValue("src", url.AbsoluteUri);
            }

            //链接路径转换
            var hrefNode = node.SelectNodes("//a[@data-linktype=‘relative-path‘]|//a[@data-linktype=‘absolute-path‘]");
            foreach (HtmlNode node1 in hrefNode)
            {
                src = node1.GetAttributeValue("href", "");
                var url = new Uri(htmlWeb.ResponseUri, src);
                node1.SetAttributeValue("href", url.AbsoluteUri);
            }

            //找到所有的H2标签,然后加上顺序。
            var h2Node = node.SelectNodes("//h2");
            var arr = new string[] { "", "", "", "", "", "", "", "", "", "", "十一", "十二", "十三", "十四", "十五", "十六", "十七", "十八", "十九", "二十" };
            if (h2Node != null)
            {
                for (int i = 0; i < h2Node.Count; i++)
                {
                    h2Node[i].InnerHtml = arr[i] + "" + h2Node[i].InnerHtml;
                    //找到所有的H3标签,然后加上顺序。

                    var h3Node = h2Node[i].SelectNodes("following-sibling::h2|following-sibling::h3");
                    if (h3Node is null)
                        break;
                    for (int j = 0; j < h3Node.Count; j++)
                    {
                        if (h3Node[j].Name == "h2")
                            break;
                        else
                            h3Node[j].InnerHtml = (j + 1) + "" + h3Node[j].InnerHtml;
                    }
                }
            }
            HtmlNode myNOde = htmlDoc.CreateElement("div");

            //去掉前面无用的部分
            var OK = node.SelectNodes("nav[1]/following-sibling::*");
            myNOde.AppendChildren(OK);

            //添加原文连接:
            HtmlNode nodeOriUrl = htmlDoc.CreateElement("p");
            nodeOriUrl.InnerHtml = "原文:<a href=‘" + htmlWeb.ResponseUri + "‘>" + htmlWeb.ResponseUri + "</a>";
            myNOde.PrependChild(nodeOriUrl);

            //写入到本地文件
            TextWriter wr = new StreamWriter(@"aa.html");
            myNOde.WriteTo(wr);
            wr.Close();
        }
    }
}

五、Fizzler.Systems.HtmlAgilityPack:

Hazz为HTMLAgilityPack实现CSS选择器。它基于Fizzler,一个通用的CSS选择器解析器和生成器库。

Hazz以前称为Fizzler.Systems.HtmlAgilityPack。

// Load the document using HTMLAgilityPack as normal
var html = new HtmlDocument();
html.LoadHtml(@"
  <html>
      <head></head>
      <body>
        <div>
          <p class=‘content‘>Fizzler</p>
          <p>CSS Selector Engine</p></div>
      </body>
  </html>");

// Fizzler for HtmlAgilityPack is implemented as the
// QuerySelectorAll extension method on HtmlNode

var document = html.DocumentNode;

// yields: [<p class="content">Fizzler</p>]
document.QuerySelectorAll(".content");

// yields: [<p class="content">Fizzler</p>,<p>CSS Selector Engine</p>]
document.QuerySelectorAll("p");

// yields empty sequence
document.QuerySelectorAll("body>p");

// yields [<p class="content">Fizzler</p>,<p>CSS Selector Engine</p>]
document.QuerySelectorAll("body p");

// yields [<p class="content">Fizzler</p>]
document.QuerySelectorAll("p:first-child");

C#爬虫(04):HtmlAgilityPack解析html文档

标签:根据   level   eth   encoding   package   tno   tor   title   width   

原文地址:https://www.cnblogs.com/springsnow/p/13278283.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!