[c#] Html Agility Pack 解析HTML

摘要

在開發過程中，很有可能會遇到這樣的情況，服務端返回的是html的內容，但需要在客戶端顯示純文本內容，這時候就需要解析這些html，拿到里面的純文本。達到這樣的目的可以有很多途徑，比如自己寫正則表達式，但對於沒有什么規則的內容，就有點力不從心了。Html Agility Pack開源組件，可以通過xPath的方式快速的解析html內容。

一個例子

組件網址：http://htmlagilitypack.codeplex.com/ ，你可以通過Nuget進行安裝。

比如我們這里解析博客園首頁文章列表，查看博客園首頁列表html，如圖所示：

抓取所有文章的名稱

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using HtmlAgilityPack;
namespace HtmlAgilityPackDemo
{
    class Program
    {
        static void Main(string[] args)
        {
            //初始化網絡請求客戶端
            HtmlWeb webClient = new HtmlWeb();
            //初始化文檔
            HtmlDocument doc = webClient.Load("http://www.cnblogs.com/");
            //查找節點
            HtmlNodeCollection titleNodes = doc.DocumentNode.SelectNodes("//a[@class='titlelnk']");
            if (titleNodes != null)
            {
                foreach (var item in titleNodes)
                {
                    Console.WriteLine(item.InnerText);
                }
            }
            Console.Read();

        }
    }
}

輸出

記得之前自己寫過一個小工具，當時還是自己寫的正則來匹配的，和這個組件相比確實很麻煩。

在上面的代碼中，有[@class='xxx']的設置，它是根據html標簽的屬性查找node，當然你也可以進行其它的設置，如根據id查找，你可以這樣寫h3[@id='xxxx']。

獲取節點的內容，可以通過下面的方式獲取

node.InnerText  
node.InnerHtml    
node.OuterHtml