HTML解析利器HtmlAgilityPack

在以前的项目中周公曾有解析HTML的情况,当时是采用正则表达式一步步将无关的HTML注释及JS代码部分删除掉,然后再用正则表达式找出需要提取的部分,可以说使用正则表达式来做是一个比较繁琐的过程,特别是对于正则表达式不是很熟悉或者要处理的HTML很复杂的情况下。前一阵子周公还是通过这个办法将http://wz.csdn.net/zhoufoxcn上保存的网址导入到http://cang.baidu.com,本来还想将周公博客上的文章好好整理一下,但是考虑到使用正则真的是很繁琐也很麻烦,所以就一直没有动手。
 直到前两天在网上发现了一个.NET下的HTML解析类库HtmlAgilityPack。HtmlAgilityPack是一个支持用XPath来解析HTML的类库,在花了一点时间学习了解HtmlAgilityPack的API和XPath之后,周公就做了一个简单的工具完成了这个功能,目前在CSDN上周公博文的收集地址为:http://blog.csdn.net/zhoufoxcn/archive/2011/06/23/6564578.aspx,在51CTO上周公博文的收集地址为http://zhoufoxcn.blog.51cto.com/792419/595327。HtmlAgilityPack是一个开源的.NET类库,它的主页是http://htmlagilitypack.codeplex.com/,在这里可以下载到最新版的类库及API手册,此外还可以下载到一个用于调试的辅助工具。
 
 XPath简明介绍
 XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
 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。
 例如有下面一段XML:
 

  1. <?xml version="1.0" encoding="utf-8"?> 
  2.  <Articles> 
  3.  <Article> 
  4.    <Title>在ASP.NET中使用Highcharts js图表</title> 
  5.    <Url>http://zhoufoxcn.blog.51cto.com/792419/537324</Url> 
  6.    <CreateAt type="en">2011-04-07</price> 
  7.  </Article> 
  8.  <Article> 
  9.    <Title lang="eng">Log4Net使用详解(续)</title> 
  10.    <Url>http://blog.csdn.net/zhoufoxcn/archive/2010/11/23/6029021.aspx</Url> 
  11.    <CreateAt type="zh-cn">2010年11月23日</price> 
  12.  </Article> 
  13.  <Article> 
  14.    <Title>J2ME开发的一般步骤</title> 
  15.    <Url>http://blog.csdn.net/zhoufoxcn/archive/2011/06/12/6540223.aspx</Url> 
  16.    <CreateAt type="zh-cn">2011年06月12日</price> 
  17.  </Article> 
  18.  <Article> 
  19.    <Title lang="eng">PowerDesign高级应用</title> 
  20.    <Url>http://zhoufoxcn.blog.51cto.com/792419/166415</Url> 
  21.    <CreateAt type="zh-cn">2007-09-08</price> 
  22.  </Article> 
  23.  </Articles> 


  针对上面的XML文件,我们列出了带有谓语的一些路径表达式,以及表达式的结果:
 /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。
 
 HtmlAgilityPack API简明介绍
 在HtmlAgilityPack中常用到的类有HtmlDocument、HtmlNodeCollection、
HtmlNode和HtmlWeb等。
 其流程一般是先获取HTML,这个可以通过HtmlDocument的Load()或LoadHtml()来加载静态内容,或者也可以HtmlWeb的Get()或Load()方法来加载网络上的URL对应的HTML。
 得到了HtmlDocument的实例之后,就可以用HtmlDocument的DocumentNode属性,这是整个HTML文档的根节点,它本身也是一个HtmlNode,然后就可以利用HtmlNode的SelectNodes()方法返回多个HtmlNode的集合对象HtmlNodeCollection,也可以利用HtmlNode的SelectSingleNode()方法返回单个HtmlNode。
 
 HtmlAgilityPack实战
 下面是一个解析CSDN博客的代码实例:
 

  1. using System;  
  2.  using System.Collections.Generic;  
  3.  using System.Text;  
  4.  using HtmlAgilityPack;  
  5.  using System.Text.RegularExpressions;  
  6.    
  7.  namespace CrawlPageApplication  
  8.  {  
  9.      /**  
  10.       * 作者:周公  
  11.       * 日期:2011-06-23  
  12.       * Blog: http://blog.csdn.net/zhoufoxcn or http://zhoufoxcn.blog.51cto.com  
  13.       * Weibo: http://weibo.com/zhoufoxcn  
  14.       */ 
  15.      public class CSDN_Parser  
  16.      {  
  17.          private const string CategoryListXPath = "//html[1]/body[1]/div[1]/div[1]/div[2]/div[1]/div[1]/dl[1]/dd[3]/div[1]/ul[1]/li";  
  18.          private const string CategoryNameXPath = "//li[1]/a[2]";  
  19.    
  20.          /// <summary>  
  21.          /// 分析博客首页  
  22.          /// </summary>  
  23.          /// <param name="url"></param>  
  24.          /// <returns></returns>  
  25.          public static List<Category> ParseIndexPage(string url)  
  26.          {  
  27.              Uri uriCategory=null;  
  28.              List<Category> list = new List<Category>(40);  
  29.                
  30.              HtmlDocument document = new HtmlDocument();  
  31.     //注意,这里省略掉了使用本人其它类库中加载URL的类,而是直接加载本地的HTML文件  
  32.              //string html = HttpWebUtility.ReadFromUrl(url, Encoding.UTF8);  
  33.              //document.LoadHtml(html);  
  34.              document.Load("CSDN_index.html", Encoding.UTF8);  
  35.              HtmlNode rootNode = document.DocumentNode;  
  36.              HtmlNodeCollection categoryNodeList = rootNode.SelectNodes(CategoryListXPath);  
  37.              HtmlNode temp = null;  
  38.              Category category = null;  
  39.              foreach (HtmlNode categoryNode in categoryNodeList)  
  40.              {  
  41.                  temp = HtmlNode.CreateNode(categoryNode.OuterHtml);  
  42.                  category = new Category();  
  43.                  category.Subject = temp.SelectSingleNode(CategoryNameXPath).InnerText;  
  44.                  Uri.TryCreate(UriBase, temp.SelectSingleNode(CategoryNameXPath).Attributes["href"].Value, out uriCategory);  
  45.                  category.IndexUrl = uriCategory.ToString();  
  46.                  category.PageUrlFormat=category.IndexUrl+"?PageNumber={0}";  
  47.                  list.Add(category);  
  48.                  Category.CategoryDetails.Add(category.IndexUrl, category);  
  49.              }  
  50.              return list;  
  51.          }  
  52.    
  53.      }  
  54.  } 


  当然实现类似的解析51CTO的博客文章数据的代码如下:
 

  1. using System;  
  2.  using System.Collections.Generic;  
  3.  using System.Text;  
  4.  using HtmlAgilityPack;  
  5.  using System.Text.RegularExpressions;  
  6.    
  7.  namespace CrawlPageApplication  
  8.  {  
  9.      /**  
  10.       * 作者:周公  
  11.       * 日期:2011-06-23  
  12.       * Blog: http://blog.csdn.net/zhoufoxcn or http://zhoufoxcn.blog.51cto.com  
  13.       * Weibo: http://weibo.com/zhoufoxcn  
  14.       */ 
  15.      public class CTO_Parser  
  16.      {  
  17.          private static Encoding PageEncoding = Encoding.GetEncoding("gb2312");  
  18.          private static readonly Uri UriBase = new Uri("http://zhoufoxcn.blog.51cto.com");  
  19.          private static string CategoryListXPath = "/html[1]/body[1]/div[5]/div[1]/div[1]/div[2]/ul[1]/li";  
  20.          private static string CategoryNameXPath = "/li[1]/a[1]";  
  21.    
  22.          /// <summary>  
  23.          /// 分析博客首页  
  24.          /// </summary>  
  25.          /// <param name="url"></param>  
  26.          /// <returns></returns>  
  27.          public static List<Category> ParseIndexPage(string url)  
  28.          {  
  29.              Uri uriCategory = null;  
  30.              List<Category> list = new List<Category>(40);  
  31.    
  32.              HtmlDocument document = new HtmlDocument();  
  33.              //string html = HttpWebUtility.ReadFromUrl(url, PageEncoding);  
  34.              //document.LoadHtml(html);  
  35.              document.Load("51cto_index.html", PageEncoding);  
  36.              HtmlNode rootNode = document.DocumentNode;  
  37.              HtmlNodeCollection categoryNodeList = rootNode.SelectNodes(CategoryListXPath);  
  38.              HtmlNode temp = null;  
  39.              Category category = null;  
  40.              foreach (HtmlNode categoryNode in categoryNodeList)  
  41.              {  
  42.                  temp = HtmlNode.CreateNode(categoryNode.OuterHtml);  
  43.                  if (temp.SelectSingleNode(CategoryNameXPath).InnerText != "全部文章")  
  44.                  {  
  45.                      category = new Category();  
  46.                      category.Subject = temp.SelectSingleNode(CategoryNameXPath).InnerText;  
  47.                      Uri.TryCreate(UriBase, temp.SelectSingleNode(CategoryNameXPath).Attributes["href"].Value, out uriCategory);  
  48.                      category.IndexUrl = uriCategory.ToString();  
  49.                      category.PageUrlFormat = category.IndexUrl + "/page/{0}";  
  50.                      list.Add(category);  
  51.                      Category.CategoryDetails.Add(category.IndexUrl, category);  
  52.                  }  
  53.              }  
  54.              return list;  
  55.          }  
  56.      }  
  57.  } 


  在上面的代码中出现了一个Category类,该类的定义如下:
  为了鼓励大家动手尝试以及在本项目中使用了周公的私家类库,所以不提供全部源代码下载,这里提供周公操作的最终软件界面:

HTML解析利器HtmlAgilityPack

HTML解析利器HtmlAgilityPack


 
 总结:HtmlAgilityPack确实是一个功能强大、体积小的开源HTML解析类库,在本篇仅仅是介绍了其中几个类的用法,但光这些就足以供周公快速实现了许久没有实现的功能,如果让周公用正则表达式来实现类似的功能,时间肯定要比用这个长得多。
 说明:周公最近也在琢磨一些关于微博的应用,如果有相同爱好者或者在使用微博的读者,请围观周公的微博,网址是:http://weibo.com/zhoufoxcn
 
 2011-06-24
 周公

本文出自 “周公(周金桥)的专栏” 博客,请务必保留此出处http://zhoufoxcn.blog.51cto.com/792419/595344

HTML解析利器HtmlAgilityPack,布布扣,bubuko.com

HTML解析利器HtmlAgilityPack

上一篇:ios/object-c中的UIColor一些比较偏的颜色展示/示例


下一篇:android ViewGroup和View触屏基础事件OnTouch处理