C#對HTML文檔的解析

相信很多人都有過HTML文檔解析的需求。比如我們抓取了某1個網站的頁面數據，格式就是HTML的格式。以前我們都是通過正則表達式來進行解析，但是發現有一些問題。解析HTML文檔時並不容易，如果文檔的格式稍有變化很可能就不能正確的匹配。因此我們需要專門的工具來幫助我們輕松的解析HTML文檔。

其實已經有一個非常不錯的工具提供了。比如HtmlAgilityPack。它可以幫助我們解析HTML文檔就像用XmlDocument類來解析XML一樣輕松、方便。

這個工具可以在http://htmlagilitypack.codeplex.com/下載到，里面有支持各種.NET Framework的版本的dll。

好了，下面提供一個足夠Simple的例子給大家。大家可以在此基礎之上，舉一反三。

比如要解析下面的HTML。

<table>
    <thead>
        <tr>
            <th>時間</th>
            <th>類型</th>
            <th>名稱</th>
            <th>單位</th>
            <th>金額</th>
        </tr>
    </thead>
    <tbody>
        <tr>
            <td>2013-12-29</td>
            <td>發票1</td>
            <td>采購物資發票1</td>
            <td>某某公司1</td>
            <td>123元</td>
        </tr>
        <tr>
            <td>2013-12-29</td>
            <td>發票2</td>
            <td>采購物資發票2</td>
            <td>某某公司2</td>
            <td>321元</td>
        </tr>
    <tbody>
</table>

以控制台項目為例，首先要引用HtmlAgilityPack.dll文件，這樣才能使用dll里面的類和方法。

        static void Main(string[] args)
        {
            string strWebContent = @"<table><thead>
            <tr>
              <th>時間</th>
              <th>類型</th>
              <th>名稱</th>
              <th>單位</th>
              <th>金額</th>
            </tr>
            </thead>
            <tbody>" +
            @"<tr>
              <td>2013-12-29</td>
              <td>發票1</td>
              <td>采購物資發票1</td>
              <td>某某公司1</td>
              <td>123元</td>
            </tr>" +
            @"<tr>
              <td>2013-12-29</td>
              <td>發票2</td>
              <td>采購物資發票2</td>
              <td>某某公司2</td>
              <td>321元</td>
            </tr>
            </tbody>
          </table>
        ";

            List<Data> datas = new List<Data>();//定義1個列表用於保存結果

            HtmlDocument htmlDocument = new HtmlDocument();
            htmlDocument.LoadHtml(strWebContent);//加載HTML字符串，如果是文件可以用htmlDocument.Load方法加載

            HtmlNodeCollection collection = htmlDocument.DocumentNode.SelectSingleNode("table/tbody").ChildNodes;//跟Xpath一樣，輕松的定位到相應節點下
            foreach (HtmlNode node in collection)
            {
                //去除\r\n以及空格，獲取到相應td里面的數據
                string[] line = node.InnerText.Split(new char[] { '\r', '\n', ' ' }, StringSplitOptions.RemoveEmptyEntries);

                //如果符合條件，就加載到對象列表里面
                if (line.Length == 5)
                    datas.Add(new Data() { 時間 = line[0], 類型 = line[1], 名稱 = line[2], 單位 = line[3], 金額 = line[4] });
            }

            //循環輸出查看結果是否正確
            foreach (var v in datas)
            {
                Console.WriteLine(string.Join(",", v.時間, v.類型, v.名稱, v.單位, v.金額));
            }
        }

    /// <summary>
    /// 定義的實體類用於接收數據
    /// </summary>
    public class Data
    {
        public string 時間 { get; set; }
        public string 類型 { get; set; }
        public string 名稱 { get; set; }
        public string 單位 { get; set; }
        public string 金額 { get; set; }
    }

上面就是完整的代碼，注釋也很清楚。

 

最后看一下解析的結果：