html agility pack url scraping-- obtenir un lien html complet

Question

html agility pack url scraping-- obtenir un lien html complet

c# html-agility-pack url web-crawler web-scraping

Question

Bonjour, j’utilise le pack d’agilité html des paquets de pépites afin de gratter une page Web afin d’obtenir toutes les URL sur la page. Le code est indiqué ci-dessous. Cependant, la façon dont cela me revient dans la sortie, les liens ne sont que des extensions du site Web actuel, mais pas le lien URL complet comme http://www.foo/bar/foobar.com . Tout ce que j'aurai, c'est "/ foobar". Est-il possible d'obtenir les liens complets de l'URL avec le code ci-dessous? Merci!

static void Main(string[] args)
    {
        List<string> linksToVisit = ParseLinks("https://www.facebook.com");
    }

public static List<string> ParseLinks(string email)
    {

        WebClient webClient = new WebClient();

        byte[] data = webClient.DownloadData(email);
        string download = Encoding.ASCII.GetString(data);

        HashSet<string> list = new HashSet<string>();

        var doc = new HtmlDocument();
        doc.LoadHtml(download);
        HtmlNodeCollection nodes =    doc.DocumentNode.SelectNodes("//a[@href]");

            foreach (var n in nodes)
            {
                string href = n.Attributes["href"].Value;
                list.Add(href);
            }
        return list.ToList();
    }

Jonathan

Réponse populaire

Vous pouvez vérifier la valeur HREF s'il s'agit d'une URL relative ou absolue. Chargez le lien dans un Uri et vérifiez s'il est relatif. Si c'est le cas, convertissez-le en absolu.

static void Main(string[] args)
    {
        List<string> linksToVisit = ParseLinks("https://www.facebook.com");
    }

public static List<string> ParseLinks(string urlToCrawl)
    {

        WebClient webClient = new WebClient();

        byte[] data = webClient.DownloadData(urlToCrawl);
        string download = Encoding.ASCII.GetString(data);

        HashSet<string> list = new HashSet<string>();

        var doc = new HtmlDocument();
        doc.LoadHtml(download);
        HtmlNodeCollection nodes =    doc.DocumentNode.SelectNodes("//a[@href]");

            foreach (var n in nodes)
            {
                string href = n.Attributes["href"].Value;
                list.Add(GetAbsoluteUrlString(urlToCrawl, href));
            }
        return list.ToList();
    }

Fonction pour convertir l'URL relative en absolu

static string GetAbsoluteUrlString(string baseUrl, string url)
{
    var uri = new Uri(url, UriKind.RelativeOrAbsolute);
    if (!uri.IsAbsoluteUri)
        uri = new Uri(new Uri(baseUrl), uri);
    return uri.ToString();
}

Vikash Rathee

Voir plus sur Stack Overflow

html agility pack url scraping-- obtenir un lien html complet

Question

Fastest Entity Framework Extensions

Réponse populaire

Performance

Expression Evaluator

Related