c# HtmlAgilityPack解析Html c# 使用HtmlAgilityPack解析Html

时间:2021-01-28 傅小灰人气:0

HtmlAgilityPack 是一个开源的快速解析Html的C#类库。简单理解，它可以像解析Xml一样，将Html根据XPATH转化为一个个Node节点，并支持调整节点以及节点的各种属性。

多种方式加载Html

主要加载方式有3类：从网络链接加载、从字符串文本中加载、从文件加载

var doc = new HtmlDocument();
//直接通过url加载
doc = new HtmlWeb().Load("https://www.baidu.com/");
//通过字符串加载
doc.LoadHtml(result);
//通过html文件加载 可指定编码方式
doc.Load(@"c://index.html",Encoding.UTF8)

HtmlNode常用方法

使用SelectNodes()和SelectSingleNode()方法（类似解析XML格式数据的XmlDocument）来获取的目标节点，分别对应HtmlNodeCollection和HtmlNode两个类。

"//"表示从根节点开始查找，两个斜杠"//"表示查找所有childnodes；一个斜杠"/"表示只查找第一层的childnodes（即不查找grandchild）；点斜杠"./"表示从当前结点而不是根结点开始查找（只在xpath最开始出现）

注意:

id class 属性匹配大小写敏感
xpath匹配下标从1开始

1. 通过属性和路径匹配来选择对应的节点

var node = doc.DocumentNode;

//选择不包含class属性的div节点
var result = node.SelectNodes(".//div[not(@class)]");

//选择不包含class和id属性的div节点
var result = node.SelectNodes(".//div[not(@class) and not(@id)]");

//选择class中包含"expire"的span节点
var result = node.SelectNodes(".//span[contains(@class,'expire')]");

//选择class中不包含"expire"的span节点
var result = node.SelectNodes(".//span[not(contains(@class,'expire'))]");

//选择class="expire"的span节点
var result = node.SelectNodes(".//span[@class='expire']");

//选择id="expire"的div节点下第一个div节点
var result = node.SelectSingleNode(".//div[@id='expire']/div[1]");

2. 获取节点文本内容

根据需求不同，通过不同的方式来获取相应的文本内容。
OuterHtml:返回包含当前节点在内的所有Html
InnerHtml:返回当前节点内所有子节点Html
InnerText:返回当前节点内去除所有Html后的文本内容

<div id="title">
  <p>
   <a class="MainTitle" href="https://www.cnblogs.com/cplemom/" rel="external nofollow" rel="external nofollow" rel="external nofollow" >傅小灰</a>
  </p>
</div>

以上面的Html为例

var node= doc.DocumentNode.SelectSingleNode("//div[@id='title'/p]");

node.OuterHtml; //返回结果：<p><a class="MainTitle"href="https://www.cnblogs.com/cplemom/" rel="external nofollow" rel="external nofollow" rel="external nofollow" >傅小灰</a></p>

node.InnerHtml; //返回结果：<a class="MainTitle"href="https://www.cnblogs.com/cplemom/" rel="external nofollow" rel="external nofollow" rel="external nofollow" >傅小灰</a>

node.InnerText; //返回结果：傅小灰

3. 获取/修改节点属性值

以上面的Html举例,我们获取到了a标签为node节点。我们想要获取a标签指向的链接地址，并修改为我们设定的地址。这里以href属性举例，同样可以用在class/src/id等属性上。

var node= doc.DocumentNode.SelectSingleNode("//div[@id='title'/p/a]");

//第二个参数为找不到对应属性时返回的默认值
var url = node.GetAttributeValue("href", "");//返回结果：https://www.cnblogs.com/cplemom/

//设置属性值
node.SetAttributeValue("href", "http://www.cplemom.com/");

//获取所有属性值
var list = node.Attributes.ToList();

4. 删除/替换节点

继续以上面的Html举例,我们获取到了a标签为node节点。
对于我们不需要的内容，我们只需要调用节点Remove方法即可。

var node= doc.DocumentNode.SelectSingleNode("//div[@id='title'/p/a]");

node.Remove();//删除节点

一个很常见的场景就是我们需要移除a标签，但是要在html上下文中保留a标签的文本。
PS : a标签内的文本在HtmlDocument中其实是一个text类型的node节点。所以我们可以通过删除a标签，保留text标签的方式来完成目标。

node.ParentNode.RemoveChild(node,true);

true表示留下a标签的子节点只删除a标签，在这里就表示保留下“傅小灰”text节点; false表示将此结点连同所有子节点一起删除。

换个角度思考下，当前node节点代表的是单个a标签，那么如果p标签下存在多个a标签需要处理，或者node节点指向的就是p标签呢？当然，我们可以通过获取所有a标签然后循环处理的方式来实现，但是还有没有别的更好的处理方式呢？

这里提供一个思路，获取所有的文本内容，新建为一个text节点，然后替换掉当前节点。

node.ParentNode.ReplaceChild(HtmlNode.CreateNode(item.InnerText), node);

几个常见使用场景和解决方案

1. 获取所有的img标签

//通过Descendants获取所有的子后代节点中的img标签
var list = node.Descendants("img");


//通过Xpath匹配获取所有img标签
var list = node.SelectNodes("//img");

2. 通过url访问时需要携带cookie等验证信息

有些页面需要携带验证信息才能访问，比如用户中心，订单列表等，这时候直接通过HtmlWeb类获取html会被拒绝。有个简单的方式就是通过HttpClient请求到对应的html内容，再使用HtmlDocument加载。其实HtmlWeb说白了也是封装的HttpWebRequest进行网络请求的，所以暴露一个委托给外部用以修改请求上下文。

var web = new HtmlWeb();
web.PreRequest = new HtmlWeb.PreRequestHandler(GetRequest);
var node = web.Load("https://www.cplemom.com/");

public static bool GetRequest(HttpWebRequest req)
{
  req.Headers.Add("Host", "www.cplemom.com");
	req.Headers.Add("Cookie", "xxxxxxxxxxxxx");
  return true;
}

总结

用到现在，个人感觉上面的方法已经可以实现90%以上的的Html解析相关需求了，更多方便快捷的方法还是到官网的API文档进行了解吧。

加载全部内容