Raschietto Web utilizzando HtmlAgilityPack

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

Domanda

Sono nuovo di C # quindi questo potrebbe essere molto ovvio come farlo funzionare o troppo complesso per me, ma sto cercando di impostare e raschiare una pagina web usando HtmlAgilityPack. Attualmente il mio codice compila ma quando scrivo la stringa ottengo solo 1 risultato e capita di essere l'ultimo risultato dal li in the ul. Il motivo della suddivisione delle stringhe è quindi che posso finalmente esportare le stringhe di titolo e descrizione in un .csv per un ulteriore utilizzo. Sono solo sicuro di cosa fare dopo, quindi, perché chiedo aiuto / comprensione / idee / pensieri / suggerimenti che possono essere offerti. Grazie!

    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();


        }

    }
}

Risposta accettata

Un problema è che si sovrascrive il file di output ogni volta attraverso il ciclo. Probabilmente vuoi farlo:

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

Inoltre, hai fatto un passo avanti per vedere se stai ricevendo più di un HtmlNode dalla tua chiamata SelectNode ?

Infine, non vedo dove stai facendo qualcosa con il title o la description . Avevi intenzione di usarli per qualcos'altro?




Autorizzato sotto: CC-BY-SA with attribution
Non affiliato con Stack Overflow
È legale questo KB? Sì, impara il perché
Autorizzato sotto: CC-BY-SA with attribution
Non affiliato con Stack Overflow
È legale questo KB? Sì, impara il perché