我正在寻找一种库/方法来解析比通用xml解析库具有更多html特定功能的html文件。
#1 楼
HTML Agility Pack这是一个敏捷的HTML解析器，可构建读/写DOM并支持纯XPATH或XSLT（您实际上不必了解XPATH或XSLT即可使用它，不用担心...）。这是一个.NET代码库，可让您解析“网络外” HTML文件。该解析器对“真实世界”格式的HTML十分宽容。对象模型与提出System.Xml的对象模型非常相似，但是用于HTML文档（或流）。
#2 楼
您可以使用TidyNet.Tidy将HTML转换为XHTML，然后使用XML解析器。另一种替代方法是使用内置引擎mshtml：
using mshtml;
...
object[] oPageText = { html };
HTMLDocument doc = new HTMLDocumentClass();
IHTMLDocument2 doc2 = (IHTMLDocument2)doc;
doc2.write(oPageText);
这使您可以使用类似javascript的函数，例如getElementById（）
评论
叫我疯了，但我在弄清楚如何使用mshtml时遇到了麻烦。你有什么好的链接吗？
– Alex Baranosky
09年1月9日，下午5:52
@Alex，您需要包括Microsoft.mshtml，可以在此处找到更多信息：msdn.microsoft.com/zh-cn/library/aa290341(VS.71).aspx
–威尔弗雷德·基涅维尔（Wilfred Knievel）
2010年1月12日23:17
我有一个有关Tidy.Net和ManagedTidy的博客，它们都能够解析和验证（x）html文件。如果您不需要验证的东西。我会使用htmlagilitypack。 jphellemons.nl/post/…
–JP Hellemons
11-10-25在7:03
#3 楼
评论
谢谢，这看起来很有趣！我对jQuery的流行感到惊讶，以至于很难找到受其启发的C＃项目。现在，只要我能找到文件处理和更高级遍历也是软件包的一部分... :)
– Funka
2010年5月14日下午1:33
我今天刚刚使用了它，不得不说，如果您知道jQuery，它就非常容易使用。
–陈志
2010-10-14 20:56
#4 楼
您可以做很多事情而不必担心第三方产品和mshtml（即互操作）。使用System.Windows.Forms.WebBrowser。从那里，您可以执行诸如HtmlDocument上的“ GetElementById”或HtmlElements上的“ GetElementsByTagName”之类的操作。如果您想真正与浏览器接口（例如，模拟按钮单击），则可以使用一点反射（比Interop邪恶一些）来实现：var wb = new WebBrowser()
var doc = wb.Browser.Document
var elem = doc.GetElementById(elementId);
object obj = elem.DomElement;
System.Reflection.MethodInfo mi = obj.GetType().GetMethod("click");
mi.Invoke(obj, new object[0]);
您可以执行类似的反射操作来提交表单，等等。
享受。
#5 楼
我已经写了一些提供“ LINQ to HTML”功能的代码。我以为我会在这里分享。它基于Majestic12。它采用Majestic-12结果并生成LINQ XML元素。那时，您可以针对HTML使用所有的LINQ to XML工具。例如： IEnumerable<XNode> auctionNodes = Majestic12ToXml.Majestic12ToXml.ConvertNodesToXml(byteArrayOfAuctionHtml);
foreach (XElement anchorTag in auctionNodes.OfType<XElement>().DescendantsAndSelf("a")) {
if (anchorTag.Attribute("href") == null)
continue;
Console.WriteLine(anchorTag.Attribute("href").Value);
}
我想使用Majestic-12，因为我知道它具有很多内置的关于HTML的内置知识。不过，我发现要将Majestic-12结果映射到LINQ将接受的XML格式还需要额外的工作。我包含的代码完成了很多此类清理工作，但是当您使用此代码时，您会发现被拒绝的页面。您需要修正代码以解决该问题。引发异常时，请检查exception.Data [“ source”]，因为它很可能设置为导致异常的HTML标记。有时以一种不错的方式处理HTML并非易事...
所以现在期望值实际上很低，这里是代码：)
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using Majestic12;
using System.IO;
using System.Xml.Linq;
using System.Diagnostics;
using System.Text.RegularExpressions;
namespace Majestic12ToXml {
public class Majestic12ToXml {
static public IEnumerable<XNode> ConvertNodesToXml(byte[] htmlAsBytes) {
HTMLparser parser = OpenParser();
parser.Init(htmlAsBytes);
XElement currentNode = new XElement("document");
HTMLchunk m12chunk = null;
int xmlnsAttributeIndex = 0;
string originalHtml = "";
while ((m12chunk = parser.ParseNext()) != null) {
try {
Debug.Assert(!m12chunk.bHashMode); // popular default for Majestic-12 setting
XNode newNode = null;
XElement newNodesParent = null;
switch (m12chunk.oType) {
case HTMLchunkType.OpenTag:
// Tags are added as a child to the current tag,
// except when the new tag implies the closure of
// some number of ancestor tags.
newNode = ParseTagNode(m12chunk, originalHtml, ref xmlnsAttributeIndex);
if (newNode != null) {
currentNode = FindParentOfNewNode(m12chunk, originalHtml, currentNode);
newNodesParent = currentNode;
newNodesParent.Add(newNode);
currentNode = newNode as XElement;
}
break;
case HTMLchunkType.CloseTag:
if (m12chunk.bEndClosure) {
newNode = ParseTagNode(m12chunk, originalHtml, ref xmlnsAttributeIndex);
if (newNode != null) {
currentNode = FindParentOfNewNode(m12chunk, originalHtml, currentNode);
newNodesParent = currentNode;
newNodesParent.Add(newNode);
}
}
else {
XElement nodeToClose = currentNode;
string m12chunkCleanedTag = CleanupTagName(m12chunk.sTag, originalHtml);
while (nodeToClose != null && nodeToClose.Name.LocalName != m12chunkCleanedTag)
nodeToClose = nodeToClose.Parent;
if (nodeToClose != null)
currentNode = nodeToClose.Parent;
Debug.Assert(currentNode != null);
}
break;
case HTMLchunkType.Script:
newNode = new XElement("script", "REMOVED");
newNodesParent = currentNode;
newNodesParent.Add(newNode);
break;
case HTMLchunkType.Comment:
newNodesParent = currentNode;
if (m12chunk.sTag == "!--")
newNode = new XComment(m12chunk.oHTML);
else if (m12chunk.sTag == "![CDATA[")
newNode = new XCData(m12chunk.oHTML);
else
throw new Exception("Unrecognized comment sTag");
newNodesParent.Add(newNode);
break;
case HTMLchunkType.Text:
currentNode.Add(m12chunk.oHTML);
break;
default:
break;
}
}
catch (Exception e) {
var wrappedE = new Exception("Error using Majestic12.HTMLChunk, reason: " + e.Message, e);
// the original html is copied for tracing/debugging purposes
originalHtml = new string(htmlAsBytes.Skip(m12chunk.iChunkOffset)
.Take(m12chunk.iChunkLength)
.Select(B => (char)B).ToArray());
wrappedE.Data.Add("source", originalHtml);
throw wrappedE;
}
}
while (currentNode.Parent != null)
currentNode = currentNode.Parent;
return currentNode.Nodes();
}
static XElement FindParentOfNewNode(Majestic12.HTMLchunk m12chunk, string originalHtml, XElement nextPotentialParent) {
string m12chunkCleanedTag = CleanupTagName(m12chunk.sTag, originalHtml);
XElement discoveredParent = null;
// Get a list of all ancestors
List<XElement> ancestors = new List<XElement>();
XElement ancestor = nextPotentialParent;
while (ancestor != null) {
ancestors.Add(ancestor);
ancestor = ancestor.Parent;
}
// Check if the new tag implies a previous tag was closed.
if ("form" == m12chunkCleanedTag) {
discoveredParent = ancestors
.Where(XE => m12chunkCleanedTag == XE.Name)
.Take(1)
.Select(XE => XE.Parent)
.FirstOrDefault();
}
else if ("td" == m12chunkCleanedTag) {
discoveredParent = ancestors
.TakeWhile(XE => "tr" != XE.Name)
.Where(XE => m12chunkCleanedTag == XE.Name)
.Take(1)
.Select(XE => XE.Parent)
.FirstOrDefault();
}
else if ("tr" == m12chunkCleanedTag) {
discoveredParent = ancestors
.TakeWhile(XE => !("table" == XE.Name
|| "thead" == XE.Name
|| "tbody" == XE.Name
|| "tfoot" == XE.Name))
.Where(XE => m12chunkCleanedTag == XE.Name)
.Take(1)
.Select(XE => XE.Parent)
.FirstOrDefault();
}
else if ("thead" == m12chunkCleanedTag
|| "tbody" == m12chunkCleanedTag
|| "tfoot" == m12chunkCleanedTag) {
discoveredParent = ancestors
.TakeWhile(XE => "table" != XE.Name)
.Where(XE => m12chunkCleanedTag == XE.Name)
.Take(1)
.Select(XE => XE.Parent)
.FirstOrDefault();
}
return discoveredParent ?? nextPotentialParent;
}
static string CleanupTagName(string originalName, string originalHtml) {
string tagName = originalName;
tagName = tagName.TrimStart(new char[] { '?' }); // for nodes <?xml >
if (tagName.Contains(':'))
tagName = tagName.Substring(tagName.LastIndexOf(':') + 1);
return tagName;
}
static readonly Regex _startsAsNumeric = new Regex(@"^[0-9]", RegexOptions.Compiled);
static bool TryCleanupAttributeName(string originalName, ref int xmlnsIndex, out string result) {
result = null;
string attributeName = originalName;
if (string.IsNullOrEmpty(originalName))
return false;
if (_startsAsNumeric.IsMatch(originalName))
return false;
//
// transform xmlns attributes so they don't actually create any XML namespaces
//
if (attributeName.ToLower().Equals("xmlns")) {
attributeName = "xmlns_" + xmlnsIndex.ToString(); ;
xmlnsIndex++;
}
else {
if (attributeName.ToLower().StartsWith("xmlns:")) {
attributeName = "xmlns_" + attributeName.Substring("xmlns:".Length);
}
//
// trim trailing \"
//
attributeName = attributeName.TrimEnd(new char[] { '\"' });
attributeName = attributeName.Replace(":", "_");
}
result = attributeName;
return true;
}
static Regex _weirdTag = new Regex(@"^<!\[.*\]>$"); // matches "<![if !supportEmptyParas]>"
static Regex _aspnetPrecompiled = new Regex(@"^<%.*%>$"); // matches "<%@ ... %>"
static Regex _shortHtmlComment = new Regex(@"^<!-.*->$"); // matches "<!-Extra_Images->"
static XElement ParseTagNode(Majestic12.HTMLchunk m12chunk, string originalHtml, ref int xmlnsIndex) {
if (string.IsNullOrEmpty(m12chunk.sTag)) {
if (m12chunk.sParams.Length > 0 && m12chunk.sParams[0].ToLower().Equals("doctype"))
return new XElement("doctype");
if (_weirdTag.IsMatch(originalHtml))
return new XElement("REMOVED_weirdBlockParenthesisTag");
if (_aspnetPrecompiled.IsMatch(originalHtml))
return new XElement("REMOVED_ASPNET_PrecompiledDirective");
if (_shortHtmlComment.IsMatch(originalHtml))
return new XElement("REMOVED_ShortHtmlComment");
// Nodes like "<br <br>" will end up with a m12chunk.sTag==""... We discard these nodes.
return null;
}
string tagName = CleanupTagName(m12chunk.sTag, originalHtml);
XElement result = new XElement(tagName);
List<XAttribute> attributes = new List<XAttribute>();
for (int i = 0; i < m12chunk.iParams; i++) {
if (m12chunk.sParams[i] == "<!--") {
// an HTML comment was embedded within a tag. This comment and its contents
// will be interpreted as attributes by Majestic-12... skip this attributes
for (; i < m12chunk.iParams; i++) {
if (m12chunk.sTag == "--" || m12chunk.sTag == "-->")
break;
}
continue;
}
if (m12chunk.sParams[i] == "?" && string.IsNullOrEmpty(m12chunk.sValues[i]))
continue;
string attributeName = m12chunk.sParams[i];
if (!TryCleanupAttributeName(attributeName, ref xmlnsIndex, out attributeName))
continue;
attributes.Add(new XAttribute(attributeName, m12chunk.sValues[i]));
}
// If attributes are duplicated with different values, we complain.
// If attributes are duplicated with the same value, we remove all but 1.
var duplicatedAttributes = attributes.GroupBy(A => A.Name).Where(G => G.Count() > 1);
foreach (var duplicatedAttribute in duplicatedAttributes) {
if (duplicatedAttribute.GroupBy(DA => DA.Value).Count() > 1)
throw new Exception("Attribute value was given different values");
attributes.RemoveAll(A => A.Name == duplicatedAttribute.Key);
attributes.Add(duplicatedAttribute.First());
}
result.Add(attributes);
return result;
}
static HTMLparser OpenParser() {
HTMLparser oP = new HTMLparser();
// The code+comments in this function are from the Majestic-12 sample documentation.
// ...
// This is optional, but if you want high performance then you may
// want to set chunk hash mode to FALSE. This would result in tag params
// being added to string arrays in HTMLchunk object called sParams and sValues, with number
// of actual params being in iParams. See code below for details.
//
// When TRUE (and its default) tag params will be added to hashtable HTMLchunk (object).oParams
oP.SetChunkHashMode(false);
// if you set this to true then original parsed HTML for given chunk will be kept -
// this will reduce performance somewhat, but may be desireable in some cases where
// reconstruction of HTML may be necessary
oP.bKeepRawHTML = false;
// if set to true (it is false by default), then entities will be decoded: this is essential
// if you want to get strings that contain final representation of the data in HTML, however
// you should be aware that if you want to use such strings into output HTML string then you will
// need to do Entity encoding or same string may fail later
oP.bDecodeEntities = true;
// we have option to keep most entities as is - only replace stuff like
// this is called Mini Entities mode - it is handy when HTML will need
// to be re-created after it was parsed, though in this case really
// entities should not be parsed at all
oP.bDecodeMiniEntities = true;
if (!oP.bDecodeEntities && oP.bDecodeMiniEntities)
oP.InitMiniEntities();
// if set to true, then in case of Comments and SCRIPT tags the data set to oHTML will be
// extracted BETWEEN those tags, rather than include complete RAW HTML that includes tags too
// this only works if auto extraction is enabled
oP.bAutoExtractBetweenTagsOnly = true;
// if true then comments will be extracted automatically
oP.bAutoKeepComments = true;
// if true then scripts will be extracted automatically:
oP.bAutoKeepScripts = true;
// if this option is true then whitespace before start of tag will be compressed to single
// space character in string: " ", if false then full whitespace before tag will be returned (slower)
// you may only want to set it to false if you want exact whitespace between tags, otherwise it is just
// a waste of CPU cycles
oP.bCompressWhiteSpaceBeforeTag = true;
// if true (default) then tags with attributes marked as CLOSED (/ at the end) will be automatically
// forced to be considered as open tags - this is no good for XML parsing, but I keep it for backwards
// compatibility for my stuff as it makes it easier to avoid checking for same tag which is both closed
// or open
oP.bAutoMarkClosedTagsWithParamsAsOpen = false;
return oP;
}
}
}
评论
顺便说一句，HtmlAgilityPack过去对我来说效果很好，我只喜欢LINQ。
–弗兰克·施维特曼（Frank Schwieterman）
09年3月8日在22:21
添加LINQ转换时的性能如何？知道与HtmlAgilityPack相比如何吗？
–user29439
2011年8月3日在22:42
我从未做过性能比较。这些天，我使用HtmlAgilityPack，省去了很多麻烦。不幸的是，上面的代码有很多特殊情况，我不需要为它们编写测试，因此我无法真正维护它。
–弗兰克·施维特曼（Frank Schwieterman）
2011年8月4日，0：40
#6 楼
之前已经提到了Html Agility Pack-如果您追求速度，那么您可能还想看看Majestic-12 HTML解析器。它的处理相当笨拙，但提供了真正快速的解析体验。#7 楼
我认为@Erlend使用HTMLDocument是最好的方法。但是，使用这个简单的库也很幸运：SgmlReader
#8 楼
没有第三方库，可在控制台上运行的WebBrowser类解决方案以及Asp.netusing System;
using System.Collections.Generic;
using System.Text;
using System.Windows.Forms;
using System.Threading;
class ParseHTML
{
public ParseHTML() { }
private string ReturnString;
public string doParsing(string html)
{
Thread t = new Thread(TParseMain);
t.ApartmentState = ApartmentState.STA;
t.Start((object)html);
t.Join();
return ReturnString;
}
private void TParseMain(object html)
{
WebBrowser wbc = new WebBrowser();
wbc.DocumentText = "feces of a dummy"; //;magic words
HtmlDocument doc = wbc.Document.OpenNew(true);
doc.Write((string)html);
this.ReturnString = doc.Body.InnerHtml + " do here something";
return;
}
}
用法：
string myhtml = "<HTML><BODY>This is a new HTML document.</BODY></HTML>";
Console.WriteLine("before:" + myhtml);
myhtml = (new ParseHTML()).doParsing(myhtml);
Console.WriteLine("after:" + myhtml);
#9 楼
解析HTML的麻烦在于它不是一门精确的科学。如果要解析的是XHTML，那么事情会容易得多（正如您提到的，您可以使用常规XML解析器）。因为HTML不一定是格式正确的XML，所以在尝试解析它时会遇到很多问题。这几乎需要逐个站点进行。评论
是否无法像W3C所解析的那样，将格式正确的HTML解析为与XHTML完全一样的科学？
– pupeno
2009年12月8日，12：56
应该的，但是人们不这样做。
– Dominic K
2010-2-16在3:54
@J。 Pablo并不是那么容易（因此也需要一个库：p）...例如，
标签不需要在HTML4 / 5下显式关闭。 kes！
–user166390
2010-12-22 4:13
#10 楼
我过去曾使用ZetaHtmlTidy加载随机网站，然后使用xpath打击内容的各个部分（例如/ html / body // p [@ class ='textblock']）。它运行良好，但是有一些例外的站点存在问题，因此我不知道这是否是绝对最佳的解决方案。#11 楼
您可以使用HTML DTD和通用XML解析库。评论
很少有现实世界的HTML页面可以在XML解析库中生存。
–弗兰克·克鲁格（Frank Krueger）
08年9月11日在11:07
#12 楼
如果需要查看JS对页面的影响，请使用WatiN [并且已经准备好启动浏览器]#13 楼
根据您的需求，您可能会选择功能更丰富的库。我尝试了大多数/所有建议的解决方案，但脱颖而出的是Html Agility Pack。这是一个非常宽容且灵活的解析器。#14 楼
试试这个脚本。http://www.biterscripting.com/SS_URLs.html
当我将此URL与它一起使用时，
script SS_URLs.txt URL("http://stackoverflow.com/questions/56107/what-is-the-best-way-to-parse-html-in-c")
它向我显示了该线程在页面上的所有链接。
http://sstatic.net/so/all.css
http://sstatic.net/so/favicon.ico
http://sstatic.net/so/apple-touch-icon.png
.
.
.
您可以修改该脚本以检查图像，变量，随便。
#15 楼
我编写了一些用于在C＃中解析HTML标记的类。如果满足您的特定需求，它们将非常好用。您可以阅读有关它们的文章，并在http://www.blackbeltcoder.com/Articles/strings/parsing-html下载源代码。 -tags-in-c。
http://www.blackbeltcoder.com/Articles/strings/a-text-parsing-helper-class上也有一篇有关通用解析帮助器类的文章。
评论
值得注意的是，它不能很好地处理像
这样的自闭合标签（它解释为空），而对于像
–Eamon Nerbonne
2011年5月14日下午16:48