解析Html文档获取具有ID和值的所有输入字段

c# csquery html-agility-pack

我有几千个(ASP.net - 凌乱的HTML)html生成的发票,我正在尝试解析并保存到数据库中。

基本上像:

 foreach(var htmlDoc in HtmlFolder)
 {
   foreach(var inputBox in htmlDoc)
   { 
      //Make Collection of ID and Values Insert to DB
   }
 }  

从我读过的所有其他问题来看,这类问题的最佳工具是HtmlAgilityPack ,但是对于我的生活,我无法获得文档.chm文件。关于如何使用或不使用Agility Pack实现此目的的任何想法?

提前致谢

一般承认的答案

HtmlAgilityPack的新替代品是CsQuery 。关于它的相对性能优点,请参阅后面的问题,但它的CSS选择器的使用不能被击败:

var doc = CQ.CreateDocumentFromFile(htmldoc); //load, parse the file
var fields = doc["input"]; //get input fields with CSS
var pairs = fields.Select(node => new Tuple<string, string>(node.Id, node.Value()))
       //get values

热门答案

要使CHM工作,您可能需要在Windows资源管理器中查看属性并取消选中“取消阻止内容”复选框

当您了解Linq-to-XML或XPath时,HTML Agility Pack非常简单。

您需要了解的基础知识:

//import the HtmlAgilityPack
using HtmlAgilityPack;

HtmlDocument doc = new HtmlDocument();

// Load your data
// -----------------------------
// Load doc from file:
doc.Load(pathToFile);

// OR

// Load doc from string:
doc.LoadHtml(contentsOfFile);
// -----------------------------

// Find what you're after
// -----------------------------
// Finding things using Linq
var nodes = doc.DocumentNode.DescendantsAndSelf("input")
    .Where(node => !string.IsNullOrWhitespace(node.Id)
        && node.Attributes["value"] != null
        && !string.IsNullOrWhitespace(node.Attributes["value"].Value));

// OR

// Finding things using XPath
var nodes = doc.DocumentNode
    .SelectNodes("//input[not(@id='') and not(@value='')]");
// -----------------------------


// looping through the nodes:
// the XPath interfaces can return null when no nodes are found
if (nodes != null) 
{ 
    foreach (var node in nodes)
    {
        var id = node.Id;
        var value = node.Attributes["value"].Value;
    }
}

添加HtmlAgility Pack的最简单方法是使用NuGet

PM>安装包HtmlAgilityPack



Related

许可下: CC-BY-SA with attribution
不隶属于 Stack Overflow
许可下: CC-BY-SA with attribution
不隶属于 Stack Overflow