HtmlAgilityPack elemento múltiple

c# html-agility-pack regex

Pregunta

Tengo un documento html que contiene múltiples divs

Ejemplo:

<div class="element">
    <div class="title">
        <a href="127.0.0.1" title="Test>Test</a>
    </div>
</div>

Ahora estoy usando este código para extraer el elemento del título.

List<string> items = new List<string>();
var nodes = Web.DocumentNode.SelectNodes("//*[@title]");
if (nodes != null)
{
   foreach (var node in nodes)
   {
       foreach (var attribute in node.Attributes)
           if (attribute.Name == "title")
               items.Add(attribute.Value);
   }
}

No sé cómo adaptar mi código para extraer el elemento href y el título al mismo tiempo.

Cada div debe ser un objeto con las etiquetas incluidas como propiedades.

public class CheckBoxListItem
{
    public string Text { get; set; }
    public string Href { get; set; }
}

Respuesta aceptada

Puede usar la siguiente consulta xpath para recuperar solo las etiquetas con un título y href:

//a[@title and @href]

Puedes usar tu código así:

List<CheckBoxListItem> items = new List<CheckBoxListItem>();
var nodes = Web.DocumentNode.SelectNodes("//a[@title and @href]");
if (nodes != null)
{
   foreach (var node in nodes)
   {
      items.Add(new CheckBoxListItem()
      {
        Text = node.Attributes["title"].Value,
        Href = node.Attributes["href"].Value
      });
   }
}

Respuesta popular

Muy a menudo uso el paquete de ScrapySharp junto con HtmlAgilityPack para la selección de css.

(agregue una declaración de uso para ScrapySharp.Extensions para que pueda usar el método CssSelect).

using HtmlAgilityPack;
using ScrapySharp.Extensions;

En tu caso, yo haría:

HtmlWeb w = new HtmlWeb();

var htmlDoc = w.Load("myUrl");
var titles = htmlDoc.DocumentNode.CssSelect(".title");
foreach (var title in titles)
{
    string href = string.Empty;
    var anchor = title.CssSelect("a").FirstOrDefault();

    if (anchor != null)
    {
        href = anchor.GetAttributeValue("href");
    }
}


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