C # Скопировать данные со страницы wiki (скрипинг экрана)

c# html-agility-pack screen screen-scraping

Вопрос

Я хочу очистить страницу Wiki. В частности, этот.

Мое приложение позволит пользователям вводить регистрационный номер транспортного средства (например, SBS8988Z), и он отобразит соответствующую информацию (которая находится на самой странице).

Например, если пользователь вводит SBS8988Z в текстовое поле в моем приложении, он должен искать строку на этой странице вики

SBS8988Z (SLBP 192/194*) - F&N NutriSoy Fresh Milk: Singapore's No. 1 Soya Milk! (2nd Gen)

и вернуть SBS8988Z (SLBP 192/194 *) - F & N NutriSoy Fresh Milk: соевое молоко № 1 в Сингапуре! (2-й ген).

Мой код до сих пор (скопирован и отредактирован с разных сайтов) ...

WebClient getdeployment = new WebClient();
string url = "http://sgwiki.com/wiki/Scania_K230UB_(Batch_1_Euro_V)";

getdeployment.Headers["User-Agent"] = "NextBusApp/GetBusData UserAgent";
string sgwikiresult = getdeployment.DownloadString(url); // <<< EXCEPTION
MessageBox.Show(sgwikiresult); //for debugging only!

HtmlAgilityPack.HtmlDocument sgwikihtml = new HtmlAgilityPack.HtmlDocument();
sgwikihtml.Load(new StreamReader(sgwikiresult));
HtmlNode root = sgwikihtml.DocumentNode;

List<string> anchorTags = new List<string>();   

foreach(HtmlNode deployment in root.SelectNodes("SBS8988Z"))
{
    string att = deployment.OuterHtml;
    anchorTags.Add(att);
}

Тем не менее, я получаю ArgumentException было необработанным - незаконные символы в пути.

Что не так с кодом? Есть ли более простой способ сделать это? Я использую HtmlAgilityPack, но если есть лучшее решение, я был бы рад выполнить его.

Принятый ответ

Что не так с кодом? Быть тупым, все. :П

Страница не отформатирована так, как вы ее читаете. Вы не можете надеяться получить нужное содержимое таким образом.

Содержимое страницы (интересующая нас часть) выглядит примерно так:

<h2>
<span id="Deployments" class="mw-headline">Deployments</span>
</h2>
<p>
    <!-- ... -->
    <b>SBS8987B</b>
    (SLBP 192/194*)
    <br>
    <b>SBS8988Z</b>
    (SLBP 192/194*) - F&amp;N NutriSoy Fresh Milk: Singapore's No. 1 Soya Milk! (2nd Gen)
    <br>
    <b>SBS8989X</b>
    (SLBP SP)
    <br>
    <!-- ... -->
</p>

В основном нам нужно найти элементы b , содержащие регистрационный номер, который мы ищем. Как только мы найдем этот элемент, получим текст и поместите его вместе, чтобы сформировать результат. Вот он в коде:

static string GetVehicleInfo(string reg)
{
    var url = "http://sgwiki.com/wiki/Scania_K230UB_%28Batch_1_Euro_V%29";

    // HtmlWeb is a helper class to get pages from the web
    var web = new HtmlAgilityPack.HtmlWeb();

    // Create an HtmlDocument from the contents found at given url
    var doc = web.Load(url);

    // Create an XPath to find the `b` elements which contain the registration numbers
    var xpath = "//h2[span/@id='Deployments']" // find the `h2` element that has a span with the id, 'Deployments' (the header)
              + "/following-sibling::p[1]"     // move to the first `p` element (where the actual content is in) after the header
              + "/b";                          // select the `b` elements

    // Get the elements from the specified XPath
    var deployments = doc.DocumentNode.SelectNodes(xpath);

    // Create a LINQ query to find the  requested registration number and generate a result
    var query =
        from b in deployments                 // from the list of registration numbers
        where b.InnerText == reg              // find the registration we're looking for
        select reg + b.NextSibling.InnerText; // and create the result combining the registration number with the description (the text following the `b` element)

    // The query should yield exactly one result (or we have a problem) or none (null)
    var content = query.SingleOrDefault();

    // Decode the content (to convert stuff like "&amp;" to "&")
    var decoded = System.Net.WebUtility.HtmlDecode(content);

    return decoded;
}


Лицензировано согласно: CC-BY-SA with attribution
Не связан с Stack Overflow
Является ли этот КБ законным? Да, узнайте, почему
Лицензировано согласно: CC-BY-SA with attribution
Не связан с Stack Overflow
Является ли этот КБ законным? Да, узнайте, почему