Raspador web utilizando HtmlAgilityPack

.net c# html-agility-pack visual-studio-2012 web-scraping

Pregunta

Soy nuevo en C #, por lo que podría ser muy obvio cómo hacer que esto funcione o es demasiado complejo para mí, pero estoy tratando de configurar y raspar una página web con HtmlAgilityPack. Actualmente mi código se compila, pero cuando escribo la cadena solo obtengo 1 resultado y es el último resultado de li en la ul. El motivo de la división de la cadena es para que finalmente pueda generar las cadenas de título y descripción en un .csv para su uso posterior. Simplemente no estoy seguro de qué hacer a continuación, por eso estoy pidiendo ayuda / comprensión / ideas / pensamientos / sugerencias que se puedan ofrecer. ¡Gracias!

    private void button1_Click(object sender, EventArgs e)
    {
        List<string> cities = new List<string>();
        //var xpath = "//h2[span/@id='Cities']";
        var xpath = "//h2[span/@id='Cities']" + "/following-sibling::ul[1]" + "/li";

        WebClient web = new WebClient();
        String html = web.DownloadString("http://wikitravel.org/en/Vietnam");

        hap.HtmlDocument doc = new hap.HtmlDocument();
        doc.LoadHtml(html);


        foreach (hap.HtmlNode node in doc.DocumentNode.SelectNodes(xpath)) 
        {
            string all = node.InnerText;

            //splits text between '—', '-' or ' ' into 2 parts
            string[] split = all.Split(new char[] { '—', ' ', '-' }, StringSplitOptions.None);

            string title;
            string description;

            int nodeCount;
            nodeCount = node.ChildNodes.Count;

            if (nodeCount == 2)
            {
                title = node.ChildNodes[0].InnerText;
                description = node.ChildNodes[1].InnerText;
            }
            else if (nodeCount == 4)
            {
                title = node.ChildNodes[0].InnerText;
                description = node.ChildNodes[1].InnerText + node.ChildNodes[2].InnerText;
            }
            else
            {
                title = "Error";
                description = "The node cound was not 2 or 3.  Check the div section.";
            }

            System.IO.StreamWriter write = new System.IO.StreamWriter(@"C:\Users\cbrannin\Desktop\textTest\testText.txt");
            write.WriteLine(all);

            write.Close();


        }

    }
}

Respuesta aceptada

Un problema es que está sobrescribiendo el archivo de salida cada vez que pasa por el bucle. Probablemente quieras hacer esto:

using (StreamWriter write = new StreamWriter(@"filename"))
{
    foreach (hap.HtmlNode node in doc.DocumentNode.SelectNodes(xpath))
    {
        // do your thing
        write.WriteLine(all);
    }
}

Además, ¿ha hecho un solo paso para ver si obtiene más de un HtmlNode de su llamada a SelectNode ?

Finalmente, no veo dónde estás haciendo nada con el title o la description . ¿Estabas planeando usar esos para algo más?



Related

Licencia bajo: CC-BY-SA with attribution
No afiliado con Stack Overflow
Licencia bajo: CC-BY-SA with attribution
No afiliado con Stack Overflow