Получение InnerText игнорирования узла сценария с помощью Html Agility Pack в C #

c# html-agility-pack html-parsing

Вопрос

У меня есть следующая страница, из которой я хочу получить список прокси-серверов из таблицы:

http://proxy-list.org/spanish/search.php?search=&country=any&type=any&port=any&ssl=any

Каждая строка в таблице является элементом ul. Моя проблема заключается в получении первого элемента li, который ассоциированный класс является «прокси» из элемента ul. Я хочу получить IP и порт, поэтому я выполняю InnerText, но поскольку элемент li имеет дочерний узел скрипта, он возвращает текст узла сценария.

Ниже изображения структуры страницы:

введите описание изображения здесь

Я попытался использовать код ниже, используя Html Agility Pack и LINQ:

WebClient webClient = new WebClient();
string page = webClient.DownloadString("http://proxy-list.org/spanish/search.php?search=&country=any&type=any&port=any&ssl=any");

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(page);

List<List<string>> table = doc.DocumentNode.SelectSingleNode("//div[@class='table']")
            .Descendants("ul")
            .Where(ul => ul.Elements("li").Count() > 1)
            .Select(ul => ul.Elements("li").Select(li =>
                {
                    string result = string.Empty;
                    if (li.HasClass("proxy"))
                    {
                        HtmlNode liTmp = li.Clone();
                        liTmp.RemoveAllChildren();
                        result = liTmp.InnerText.Trim();
                    }
                    else
                    {
                        result = li.InnerText.Trim();
                    }
                    return result;
                }).ToList()).ToList();

Я могу получить список, который каждый элемент представляет собой список, содержащий поля (Proxy, PaÃs, Tipo, Velocidad, HTTPS / SSL), но полевой прокси всегда пуст. Кроме того, я не получаю вообще столбцов «PaÃs» и «Ciudad».

Принятый ответ

Это потому, что эти значения вводятся в DOM с помощью JavaScript после загрузки страницы. Фактически значение внутри Proxy() является представлением Base64 того, что вы ищете.

В изображении, которое вы разместили выше значения MTQ4LjI0My4zNy4xMDE6NTMyODE= декодирует до 148.243.37.101:53281

Исправленная синтаксическая строка, которую вы загружаете в пакет Agility, содержит только поле Proxy ...

    <div class=\ "table-wrap\">\r\n
        <div class=\ "table\">\r\n
            <ul>\r\n
                <li class=\ "proxy\">
                    <script type=\ "text/javascript\">
                        Proxy('MTM4Ljk3LjkyLjI0OTo1MzgxNg==')
                    </script>
                </li>\r\n
                <li class=\ "https\">HTTP</li>\r\n
                <li class=\ "speed\">29.5kbit</li>\r\n
                <li class=\ "type\">
                    <strong>Elite</strong>
                </li>\r\n
                <li class=\ "country-city\">\r\n
                    <div>\r\n
                        <span class=\ "country\" title=\ "Brazil\">
                            <span class=\ "country-code\">
                                <span class=\ "flag br\"></span>
                                <span class=\ "name\">BR Brasil</span>
                            </span>
                        </span>
                        <!--\r\n                     -->
                        <span class=\ "city\">
                            <span>Rondon</span>
                        </span>\r\n </div>\r\n </li>\r\n </ul>\r\n
            <div class=\ "clear\"></div>\r\n

Используя следующий код:

        HttpClient client = new HttpClient();
        var docResult = client.GetStringAsync("http://proxy-list.org/spanish/search.php?search=&country=any&type=any&port=any&ssl=any").Result;
        HtmlDocument doc = new HtmlDocument();
        doc.LoadHtml(docResult);
        Regex reg = new Regex(@"Proxy\('(?<value>.*?)'\)", RegexOptions.Compiled | RegexOptions.IgnoreCase);

        var stuff = doc.DocumentNode.SelectSingleNode("//div[@class='table']")
        .Descendants("li")
        .Where(x => x.HasClass("proxy"))
        .Select(li =>
        {
            return li.InnerText;
        }).ToList();

        foreach (var item in stuff)
        {
            var match = reg.Match(item);
            var proxy = Encoding.Default.GetString(System.Convert.FromBase64String(match.Groups["value"].Value));
            Console.WriteLine($"{item}\t\tproxy = {proxy}");
        }

Я получил: введите описание изображения здесь



Related

Лицензировано согласно: CC-BY-SA with attribution
Не связан с Stack Overflow
Лицензировано согласно: CC-BY-SA with attribution
Не связан с Stack Overflow