Innertext-Ignorieren des Skriptknotens mit Html Agility Pack in C #

Question

Innertext-Ignorieren des Skriptknotens mit Html Agility Pack in C #

c# html-agility-pack html-parsing

Frage

Ich habe folgende Seite, von der ich eine Liste von Proxy-Servern aus einer Tabelle erhalten möchte:

http://proxy-list.org/spanish/search.php?search=&country=any&type=any&port=any&ssl=any

Jede Zeile in der Tabelle ist ein ul-Element. Mein Problem ist, wenn ich das erste li-Element erhalte, dessen Klasse "proxy" vom ul-Element ist. Ich möchte die IP und den Port erhalten, also führe ich einen InnerText aus, aber da li-Element einen untergeordneten Skriptknoten hat, gibt es den Text des Skriptknotens zurück.

Unterhalb eines Bildes der Struktur der Seite:

Ich habe unten Code mit Html Agility Pack und LINQ versucht:

WebClient webClient = new WebClient();
string page = webClient.DownloadString("http://proxy-list.org/spanish/search.php?search=&country=any&type=any&port=any&ssl=any");

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(page);

List<List<string>> table = doc.DocumentNode.SelectSingleNode("//div[@class='table']")
            .Descendants("ul")
            .Where(ul => ul.Elements("li").Count() > 1)
            .Select(ul => ul.Elements("li").Select(li =>
                {
                    string result = string.Empty;
                    if (li.HasClass("proxy"))
                    {
                        HtmlNode liTmp = li.Clone();
                        liTmp.RemoveAllChildren();
                        result = liTmp.InnerText.Trim();
                    }
                    else
                    {
                        result = li.InnerText.Trim();
                    }
                    return result;
                }).ToList()).ToList();

Ich kann eine Liste erhalten, in der jedes Element eine Liste mit den Feldern (Proxy, PaÃs, Tipo, Velocidad, HTTPS / SSL) ist, aber Feld-Proxy ist immer leer. Auch bekomme ich nicht die Säulen "País" und "Ciudad".

Ralph

Meer bekijken op Stack Overflow

bigtlb · Accepted Answer · 5/20/2018 2:20:04 AM

Dies liegt daran, dass diese Werte nach dem Laden der Seite durch JavaScript in das DOM eingefügt werden. Tatsächlich ist der Wert innerhalb des Proxy() eine Base64-Darstellung dessen, wonach Sie suchen.

In dem Bild, das Sie über den Wert MTQ4LjI0My4zNy4xMDE6NTMyODE= haben, wird MTQ4LjI0My4zNy4xMDE6NTMyODE= zu 148.243.37.101:53281 dekodiert

Die unverarbeitete analysierte Zeichenfolge, die Sie dem Agility-Paket zuführen, enthält nur das Proxy Feld ...

    <div class=\ "table-wrap\">\r\n
        <div class=\ "table\">\r\n
            <ul>\r\n
                <li class=\ "proxy\">
                    <script type=\ "text/javascript\">
                        Proxy('MTM4Ljk3LjkyLjI0OTo1MzgxNg==')
                    </script>
                </li>\r\n
                <li class=\ "https\">HTTP</li>\r\n
                <li class=\ "speed\">29.5kbit</li>\r\n
                <li class=\ "type\">
                    <strong>Elite</strong>
                </li>\r\n
                <li class=\ "country-city\">\r\n
                    <div>\r\n
                        <span class=\ "country\" title=\ "Brazil\">
                            <span class=\ "country-code\">
                                <span class=\ "flag br\"></span>
                                <span class=\ "name\">BR Brasil</span>
                            </span>
                        </span>
                        <!--\r\n                     -->
                        <span class=\ "city\">
                            <span>Rondon</span>
                        </span>\r\n </div>\r\n </li>\r\n </ul>\r\n
            <div class=\ "clear\"></div>\r\n

Verwenden Sie den folgenden Code:

        HttpClient client = new HttpClient();
        var docResult = client.GetStringAsync("http://proxy-list.org/spanish/search.php?search=&country=any&type=any&port=any&ssl=any").Result;
        HtmlDocument doc = new HtmlDocument();
        doc.LoadHtml(docResult);
        Regex reg = new Regex(@"Proxy\('(?<value>.*?)'\)", RegexOptions.Compiled | RegexOptions.IgnoreCase);

        var stuff = doc.DocumentNode.SelectSingleNode("//div[@class='table']")
        .Descendants("li")
        .Where(x => x.HasClass("proxy"))
        .Select(li =>
        {
            return li.InnerText;
        }).ToList();

        foreach (var item in stuff)
        {
            var match = reg.Match(item);
            var proxy = Encoding.Default.GetString(System.Convert.FromBase64String(match.Groups["value"].Value));
            Console.WriteLine($"{item}\t\tproxy = {proxy}");
        }

Ich bekomme:

Innertext-Ignorieren des Skriptknotens mit Html Agility Pack in C #

Frage

Fastest Entity Framework Extensions

Akzeptierte Antwort

Performance

Expression Evaluator

Related