【背景】
之前就知道HtmlAglityPack，用于C#的html的解析：
之前对于C#的HTML解析，用的是另外的SGMLReader：
但是那个很不好用，尤其是，当html代码中，带xmlns时，还需要加上对应的xmlns的代码，类似于这样：
curSearchInfo.xmlDoc = htmlToXmlDoc(curSearchInfo.searchRespHtml);
curSearchInfo.m = new XmlNamespaceManager(curSearchInfo.xmlDoc.NameTable);
curSearchInfo.m.AddNamespace("w3org", "http://www.w3.org/1999/xhtml");
curSearchInfo.gigDataList = curSearchInfo.xmlDoc.SelectNodes("//w3org:div[@data-gig_id]", curSearchInfo.m);用起来很是麻烦。
所以，现在去折腾折腾这个HtmlAglityPack，看看其是否好用。
【折腾过程】
1.找到主页：
http://htmlagilitypack.codeplex.com/
2. Html Agility Pack，简称HAP。
看了介绍，说是：
支持那种畸形的，不正常的html；
处理完后，使用xpath或xslt处理信息，查找内容；
3.从
http://htmlagilitypack.codeplex.com/releases/view/90925
下载到二进制的库文件：
HtmlAgilityPack.1.4.6.zip
然后在VS2010中新建一个C#项目用于测试，然后导入dll：
HtmlAgilityPack.1.4.6\Net20\HtmlAgilityPack.dll
4. 然后再参考：
HTML Agility Pack：簡單好用的快速 HTML Parser
去写代码。
经过一番自己的测试，如下代码可以正常工作：
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Text;
using System.Windows.Forms;
using HtmlAgilityPack;
namespace htmlAgilityPackTest
{
public partial class htmlAgilityPackTest : Form
{
public crifanLib crlLib;
public htmlAgilityPackTest()
{
InitializeComponent();
crlLib = new crifanLib();
}
private void htmlAgilityPackTest_Load(object sender, EventArgs e)
{
string testUrlWithXmlns = "http://sd.csdn.net/";
string respHtml = crlLib.getUrlRespHtml(testUrlWithXmlns);
//<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
//<html xmlns="http://www.w3.org/1999/xhtml">
//<head>
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(respHtml);
//<div class="tabcontent" id="sc1">
// <ul>
// <li><a href="http://www.csdn.net/article/tag/%E4%BA%A7%E5%93%81" target="_blank">产品</a></li>
// <li><a href="http://www.csdn.net/article/tag/%E5%88%9B%E4%B8%9A" target="_blank">创业</a></li>
// <li><a href="http://www.csdn.net/article/tag/%E8%81%8C%E5%9C%BA" target="_blank">职场</a></li>
// <li><a href="http://www.csdn.net/article/tag/%E4%BA%BA%E7%89%A9" target="_blank">人物</a></li>
// <li><a href="http://www.csdn.net/article/tag/%E8%AE%BE%E8%AE%A1" target="_blank">设计</a></li>
// </ul>
//</div>
//...
//<div class="tabcontent" id="sc4">
// <ul>
// <li><a href="http://www.csdn.net/article/tag/%E7%BC%96%E7%A8%8B%E8%AF%AD%E8%A8%80" target="_blank">编程语言</a></li>
// <li><a href="http://www.csdn.net/article/tag/%E5%BC%80%E6%94%BE%E5%B9%B3%E5%8F%B0" target="_blank">开放平台</a></li>
// <li><a href="http://www.csdn.net/article/tag/html5" target="_blank">HTML5</a></li>
// <li><a href="http://www.csdn.net/article/tag/%E5%89%8D%E7%AB%AF%E5%BC%80%E5%8F%91" target="_blank">前端开发</a></li>
// <li><a href="http://www.csdn.net/article/tag/%E6%99%BA%E8%83%BD%E7%AE%97%E6%B3%95" target="_blank">智能算法</a></li>
// <li><a href="http://www.csdn.net/article/tag/%E6%9E%B6%E6%9E%84" target="_blank">架构</a></li>
// <li><a href="http://www.csdn.net/article/tag/%E5%BC%80%E6%BA%90" target="_blank">开源</a></li>
// <li><a href="http://www.csdn.net/article/tag/%E6%95%B0%E6%8D%AE%E5%BA%93" target="_blank">数据库</a></li>
// </ul>
//</div>
//here, no need to take care the html xmlns
//is better than SGMLReader
HtmlNodeCollection htmlNodes = doc.DocumentNode.SelectNodes("//div[@class='tabcontent']");
foreach (HtmlNode link in htmlNodes)
{
HtmlAttribute att = link.Attributes["id"];
MessageBox.Show(att.Value); //work now -> here can got sc1 - sc4
}
}
}
}
【总结】
HtmlAglityPack还是要比SGMLReader好用的。
至少不用操心那个html的xmlns。
不错，有空要好好发掘发掘其潜能。
注意：
1.旧的代码是doc.load(xxx)
此处必须换成doc.loadHtml(html)才可以。
2.此处的：
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
不能写成：
HtmlDocument doc = new HtmlDocument();
否则会提示：
HtmlDocument有歧义，因为默认的System.Windows.Forms下面也有个HtmlDocument。
3.我此处，不需要别人所提到的那个HtmlWeb，直接用我的html即可。
4.HtmlAgilityPack是有其自己一套的，类似于xml的，单独针对html的方法，比如：
HtmlNodeCollection
HtmlNode
等等，用法上，倒是和xml很相似的。不错。很好用。
转载请注明：在路上 » 【记录】折腾C#中的HTML解析库：HtmlAglityPack