C#を使用してHTMLを解析するHTMLAgilityPackの問題

c# html-agility-pack xpath

質問

私はちょうどHTMLAgilityPackとXPathについて学びたいと思っています。私はNASDAQのウェブサイトから(HTML Links)企業のリストを取得しようとしています。

http://www.nasdaq.com/quotes/nasdaq-100-stocks.aspx

私は現在次のコードを持っています。

HtmlAgilityPack.HtmlDocument htmlDoc = new HtmlAgilityPack.HtmlDocument();

        // Create a request for the URL.        
        WebRequest request = WebRequest.Create("http://www.nasdaq.com/quotes/nasdaq-100-stocks.aspx");
        // Get the response.
        HttpWebResponse response = (HttpWebResponse)request.GetResponse();
        // Get the stream containing content returned by the server.
        Stream dataStream = response.GetResponseStream();
        // Open the stream using a StreamReader for easy access.
        StreamReader reader = new StreamReader(dataStream);
        // Read the content.
        string responseFromServer = reader.ReadToEnd();
        // Read into a HTML store read for HAP
        htmlDoc.LoadHtml(responseFromServer);

        HtmlNodeCollection tl = htmlDoc.DocumentNode.SelectNodes("//*[@id='indu_table']/tbody/tr[*]/td/b/a");
        foreach (HtmlAgilityPack.HtmlNode node in tl)
        {
            Debug.Write(node.InnerText);
        }            

        // Cleanup the streams and the response.
        reader.Close();
        dataStream.Close();
        response.Close();

私は、XPathを取得するためにChrome用のXPathアドオンを使用しました。

//*table[@id='indu_table']/tbody/tr[*]/td/b/a

私のプロジェクトを実行すると、無効なトークンであるというxpathの未処理例外が発生します。

私は何が間違っているのか不明ですが、私は上記のtr [*]セクションに数字を入れようとしましたが、私はまだ同じエラーを受け取ります。

私は最後の1時間、これを見てきました。それは単純なものですか?

ありがとう

受け入れられた回答

データはjavascriptから来るので、あなたはhtmlではなくJavaScriptを解析する必要があるので、Agility Packはそれほど役に立ちませんが、少し楽になります。以下は、Agility PackとNewtonsoft JSON.Netを使ってJavascriptを解析する方法です。

HtmlDocument htmlDoc = new HtmlDocument();
htmlDoc.Load(new WebClient().OpenRead("http://www.nasdaq.com/quotes/nasdaq-100-stocks.aspx"));
List<string> listStocks = new List<string>();
HtmlNode scriptNode = htmlDoc.DocumentNode.SelectSingleNode("//script[contains(text(),'var table_body =')]");
if (scriptNode != null)
{
  //Using Regex here to get just the array we're interested in...
  string stockArray = Regex.Match(scriptNode.InnerText, "table_body = (?<Array>\\[.+?\\]);").Groups["Array"].Value;
  JArray jArray = JArray.Parse(stockArray);
  foreach (JToken token in jArray.Children())
  {
    listStocks.Add("http://www.nasdaq.com/symbol/" + token.First.Value<string>().ToLower());
  }
}

もう少し詳細に説明すると、データはページ上の1つの大きなjavascript配列から来ますvar table_body = [...各ストックは配列内の1つの要素であり、配列そのものです。

["ATVI", "Activision Blizzard, Inc", 11.75, 0.06, 0.51, 3058125, 0.06, "N", "N"]

したがって、配列を解析して最初の要素を取得し、修正URLを追加することで、javascriptと同じ結果が得られます。


人気のある回答

そのURLのページソースを見ると、 id=indu_table要素は実際にはありません。それは動的に(すなわちjavascriptで)生成されるようです。サーバーから直接ロードするときに取得するhtmlは、クライアントスクリプトによって変更されたものを反映しません。これはおそらくそれが動作していない理由です。



ライセンスを受けた: CC-BY-SA with attribution
所属していない Stack Overflow
このKBは合法ですか? はい、理由を学ぶ
ライセンスを受けた: CC-BY-SA with attribution
所属していない Stack Overflow
このKBは合法ですか? はい、理由を学ぶ