Net处理html页面元素工具类(HtmlAgilityPack.dll)的使用

现在，在不少应用场合中都希望做到数据抓取，特别是基于网页部分的抓取。其实网页抓取的过程实际上是通过编程的方法，去抓取不同网站网页后，再进行 分析筛选的过程。比如，有的比较购物网站，会同时去抓取不同购物网站的数据并将其保存在数据库中。一般，这些网页的抓取都需要对抓取回来的HTML进行解 析。

.NET提供了很多类去访问并获得远程网页的数据，比如WebClient类和HttpWebRequest类。这些类对于利用HTTP去访问远端 的网页并且下载下来是很有用的，但在对于所下载下来的HTML的解析能力方面，则显得功能很弱了，以往，开发者不得不用很简陋的方法，比如使用 String.IndexOf,String.Substring或使用正则表达式去解析。

另外一种解析HTML的方法是使用开源的工具包HTML Agility Pack(http://htmlagilitypack.codeplex.com/),它的设计目标是尽可能简化对HTML文档的读和写。这个包本身 是利用了DOM文档对象模型去解析HTML的。仅需要几行代码，开发者就可以利用DOM 去访问文档中的头部一直到它的孩子结点。HTML Agility包也能通过XPATH去访问DOM中的指定结点，同时，它也包含了一个类可以用来下载远程网站上的网页，这意味者开发者可以利用它，同时下 载并且解析HTML网页了，十分方便。

本文将以几个例子展示如何使用HTML Agility包去下载和解析网页，代码例子在附件中可以下载。

准备工作

可以从http://htmlagilitypack.codeplex.com/)去下载Html Agility包，注意必须运行在ASP.NET 3.5及以后的版本上。下载后，这个工具包实际上是以HtmlAgilityPack.dll形式存在的。使用的时候，只需要将这个dll放在你的网站或 工程的bin目录下就可以了，我们目前使用的版本是1.4。

下面我们分别通过三个例子去说明如何使用HTML Agility。

例子一：列出远程网页的META标签

网页的抓取一般涉及到下载指定的网页，并且抓取指定的信息片断。第一个例子指导如何使用Html Agility包去下载一个网页，并且逐一循环显示出HTML页中的同时有名称和content标签的 标签中。

Html Agility Pack包包含了一些类，它们都在HtmlAgilityPack这个命名空间中，因此在使用前，先要引用这个命名空间，如下：

以下是代码片段：

using HtmlAgilityPack;

要从网站上去下载网页，可以使用HtmlWeb类的Load方法，当然实现要新建一个HtmlWeb的对象实例，如下：

以下是代码片段：

var webGet = new HtmlWeb();
var document = webGet.Load(url);

其中Load方法会返回一个HtmlDocument对象。在上面的代码中，我们把返回的HtmlDocument对象赋值到一个本地变量 document中去。HtmlDocument这个类代表了一个完整的HTML文档并且包含了DocumentNode属性，这个属性返回的是一个代表 文档根结点的HtmlNode对象。

HtmlNode类有几个属性，都十分简单，主要是用来遍历DOM的，包括：

• ParentNode：访问父结点
• ChildNodes：访问孩子结点
• NextSibling：某个元素的下一个兄弟元素(也就是说同层次元素中的下一个元素)
• PreviousSibling :某个元素的上一个兄弟元素(也就是说同层次元素中的上一个元素)

对于结点本身的判断，有如下属性：

• Name - 获得或设置结点的名称。对HTML元素来说，它返回标签中的内容，比如对于BODY标签，则返回结果为”body ”,对于[P]标签则返回结果为”p ”，如此类推
• Attributes -返回该元素的所有属性的集合
• InnerHtml -返回或设置该元素中的HTML内容。
• InnerText -返回结点的文本文字。
• NodeType -指出结点的类型，可以是Document,Element,Comment或者是文本。

当然，也有很多其他的方法去获得指定的结点的信息，比如，Ancestors方法返回所有的祖先结点，而SelectNodes方法则返回匹配XPath表达式的结点集合。

有了这些方法和属性，现在我们就有很多方法去获得HTML文档中的所有 标签。这个例子中将采用SelectNodes方法。下面的语句调用了document对象的的DocumentNode属性中的SelectNodes 方法，使用了xpath表达式”//meta”,返回了所有文档中的 标记。

以下是代码片段：

var metaTags = document.DocumentNode.SelectNodes("//meta");

如果在文档中没有 标签，则metaTags变量会为null,如果有多于一个 标签，则metaTags会是一个HtmlNode的对象集合了，我们可以遍历并且显示它们的属性，如下代码：

以下是代码片段：

if (metaTags != null)
{
  foreach (var tag in metaTags)
  {
    if (tag.Attributes["name"] != null && tag.Attributes["content"] != null)
    {
    ... 输出 tag.Attributes["name"].Value 和 tag.Attributes["content"].Value ...
    }
  }
}

上面的代码中，首先使用了foreach去循环metaTags集合中的每个元素，然后判断每个元素的name和content属性的值是否为空，如果不空的话，直接输出其内容就可以了，看到了么，根本不需要用正则表达式，十分方便。

例子二 列出远程页面中的链接

上面的例子演示了如何使用SelectNodes方法和xpath去查找指定的结点。而另外一个方法是使用Linq的语法去实现。HtmlNode 类的方法，比如返回文档的祖先或者子孙结点的，实际上返回的都是象IEnumerable 的对象的，如果你对Linq语法熟悉，则知道Linq是很容易处理IEnumerable的，而且可以很容易使用Linq去查询HTML文档的结点。

为了演示如何使用Linq去访问结点，在这个例子中，将演示如何去获得某个页面的文本和所有超级链接(标签)的值。一开始的代码跟第一个例子是相同的，要创建HtmlWeb对象：

以下是代码片段：

var webGet = new HtmlWeb();
var document = webGet.Load(url);

标签中的，当然我们要求这些标签中是要内容的，不能只是空白，最后返回一个匿名类型，有两个属性：Url和Text:

接下来，将使用到document对象的Descendants方法和linq语法去获得指定页面的所有链接。准确的说，是获得页面中所有

以下是代码片段：

    var linksOnPage = from lnks in document.DocumentNode.Descendants()
      where lnks.Name == "a" &&
      lnks.Attributes["href"] != null &&
      lnks.InnerText.Trim().Length > 0
      select new
      {
        Url = lnks.Attributes["href"].Value,
        Text = lnks.InnerText
      };

看到了么，上面使用的正是LINQ语法。现在我们就可以使用一些asp.net的控件去展示这个linksOnPage中的内容了，本文代码中使用的是listview控件，命名为lvLinks： 以下是代码片段：

lvLinks.DataSource = linksOnPage;
lvLinks.DataBind();

前端的listbview变的简单了，如下： 以下是代码片段：

<asp:ListView ID="lvLinks" runat="server">
<LayoutTemplate>
<ul>
<asp:PlaceHolder runat="server" ID="itemPlaceholder" />
</ul>
</LayoutTemplate> 

<ItemTemplate>
<li>
<%# Eval("Text") %> - <%# Eval("Url") %>
</li>
</ItemTemplate>
</asp:ListView>

例子三 修改并保存HTML文档

上面两个例子分别演示了如何使用Html Agility包去抓取一个网页并且解析，但有的情况下，也需要修改文档的DOM结构并且保存到磁盘上。这个例子演示的跟前两个有点相象，要求用户输入一个网页的地址，之后抓取网页，并且对以下两个方面进行了修改。

1. 在程序读取文档的同时，使用程序的方法，动态增加一个新的元素结点，使其成为标签的第一个孩子结点。
2. 文档中所有的链接，改变成以新打开窗口的方式打开，这个设置其targer属性为_blank即可。

在修改完代码后，同时把它保存到用户本地的磁盘上。同样，一开始的步骤跟前面两个是一样的：

以下是代码片段：

var webGet = new HtmlWeb();
var document = webGet.Load(url);

接下来，通过Linq语法的扩展方法去查找body元素，下面的代码的意思是：在document结点的所有子孙结点中，查找第一个结点并且它的名称是“body”,如果不存在，则返回null。

以下是代码片段：

var body = document.DocumentNode.Descendants()
  .Where(n => n.Name == "body")
  .FirstOrDefault();

如果找到body标签后，我们则创建一个新的HTML元素标签，下面的代码创建了一个新的HTML元素标签(变量名为messageElement),并且指定了其样式属性，为这个标指定了其命名div，说明要创建的是一个

标签，最后为其指定了inner HTML属性的值，当然最后要把建立好的元素结点插入到body标签的开始：

以下是代码片段：

if (body != null)
{
var messageElement = new HtmlNode(HtmlNodeType.Element, document, 0);
messageElement.Attributes.Add("style", "width:95%;border:solid black 2px;background-color:#ffc;font-size:xx-large;text-align:center");
messageElement.Name = "div";
messageElement.InnerHtml = " Hello! This page was modified by the Html Agility Pack! Click on a link below... it should open in a new window! ";
body.ChildNodes.Insert(0, messageElement);
}

接下来，SelectNodes方法会返回所有

以下是代码片段：

var linksThatDoNotOpenInNewWindow = document.DocumentNode.SelectNodes("//a[@href]");
if (linksThatDoNotOpenInNewWindow != null)
{
  foreach (var link in linksThatDoNotOpenInNewWindow)
    if (link.Attributes["target"] == null)
      link.Attributes.Add("target", "_blank");
    else
      link.Attributes["target"].Value = "_blank";
}

最后，我们调用save方法去保存我们做的修改，在本文中，将其保存在ModifiedPages目录下，并且用guid的方法生成了其文件名，如下代码：

以下是代码片段：

var fileName = string.Format("~/ModifiedPages/{0}.htm", Guid.NewGuid().ToString());
document.Save(Server.MapPath(fileName));

下图显示了运行例子三后的结果，可以看到，我们把页面修改并保存后，在页面的一开始，的确加入了我们要加入的内容，并且你可以试下打开所有页面的链 接，都会发现是以新打开链接方式打开的，要注意的是，因为4guysfromrolla网页上使用的都是相对路径，因此图片我们这次没把它们保存下来，所 以在这个页面中看不到是正常的。

HTML解析组件HtmlAgilityPack使用

HtmlAgilityPack是一个开源的解析HTML元素的类库，最大的特点是可以通过XPath来解析HMTL，如果您以前用C#操作过XML，那么使用起HtmlAgilityPack也会得心应手。目前最新版本为1.4.6,下载地址如下：

http://htmlagilitypack.codeplex.com/

下 面以一个简单的例子来介绍下HtmlAgilityPack的使用，对于Asp.Net程序开发的网站要做模拟登录的时候，除了要知道用户名文本框和密码 文本框的name属性值外，还需要知道页面的__VIEWSTATE、__EVENTVALIDATION这两个隐藏控件的值，以及提交按钮的name属 性，下面看看怎样使用HtmlAgilityPack来获得这个额外的值。

1、在项目中添加对HtmlAgilityPack.dll的引用

2、在Aspx页面中放几个文本框控件和一个按钮控件

3、按钮的后台事件如下

protected void btnHtml_Click(object sender, EventArgs e)
        {
            if (tbUrl.Text.Length > 0)
            {
                HtmlWeb htmlWeb = new HtmlWeb();
                HtmlDocument htmlDoc = htmlWeb.Load(this.tbUrl.Text);
                HtmlNode htmlNode = htmlDoc.DocumentNode.SelectSingleNode("//input[@id='__VIEWSTATE']");
                string viewStateValue = htmlNode.Attributes["value"].Value;
                htmlNode = htmlDoc.DocumentNode.SelectSingleNode("//input[@id='__EVENTVALIDATION']");
                string eventValidation = htmlNode.Attributes["value"].Value;
                htmlNode = htmlDoc.DocumentNode.SelectSingleNode("//input[@type='submit']");
                string submitName = htmlNode.Attributes["name"].Value;

                tbViewState.Text = viewStateValue;
                tbEventValidation.Text = eventValidation;
                tbSubmitName.Text = submitName;
            }
        }

4、以博客园的登录界面为例，获取后的界面如下

示例下载

Net处理html页面元素工具类(HtmlAgilityPack.dll)的使用

简介

本文介绍net处理html页面元素的工具类(HtmlAgilityPack.dll)的使用，用途比较多的应该是例如采集类的功能，采集到的html字符串要怎样处理是一个头痛的问题，如果是截取就太麻烦了而且容易出错。所有就用到本文的第三方dll来处理了。

下载

下载地址：http://htmlagilitypack.codeplex.com/

点击“download”按钮直接下载。

使用

1.添加HtmlAgilityPack.dll引用（引用类using HtmlAgilityPack;）。

2.简单根据html中input的id获取value代码如下：

// 模拟用户请求
WebClient webClient = new WebClient();
webClient.Encoding = System.Text.Encoding.UTF8;
string htmlContext = webClient.DownloadString("http://stone_w.cnblogs.com/");
webClient.Credentials = CredentialCache.DefaultCredentials; // 添加授权证书
webClient.Headers.Add("User-Agent", "Microsoft Internet Explorer");
webClient.Headers.Add("Host", "www.cnblogs.com");

// 获取html元素（htmlContext为html页面字符串）
HtmlDocument htmlDoc = new HtmlDocument();
htmlDoc.LoadHtml(htmlContext);  // 加载html页面
HtmlNode navNode = htmlDoc.GetElementbyId("id名称");
Response.Write(navNode.Attributes["value"].Value);

总结

HtmlAgilityPack可以根据id查询value，还可以获取单个元素节点，都是HtmlDocument类的内置方法，大家可以试着练练。谢谢完~