使用HTML Agility Pack抓取元标记和注释

.net c# html-agility-pack html-parsing

我一直在寻找使用HTML Agility Pack的教程,因为它似乎做了我想做的一切,但似乎对于这样一个强大的工具,它在互联网上几乎没有噪音。

我正在编写一个简单的方法,它将根据名称检索任何给定的标记:

public string[] GetTagsByName(string TagName, string Source) {
    ...
}

这可以使用正则表达式轻松完成,但我们都知道使用正则表达式解析HTML是不对的。到目前为止,我有以下代码:

...
// TODO: Clear Comments (can this be done or should I use RegEx?)
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(Source);
ArrayList tags = new ArrayList();
string xpath = "//" + TagName;
foreach (HtmlTextNode node in doc.DocumentNode.SelectNodes(xpath) {
    tags.Add(node.Text);
}
return (string[])tags.ToArray(typeof(String));

我希望能够首先从HTML中删除所有注释,然后根据其名称返回正确的标记。如果可能的话,我还想根据属性返回某些元标记,例如机器人。我对xpath不太好,所以任何帮助都会很好。

任何帮助将非常感激。

一般承认的答案

HtmlAgilityPack的HtmlDocument实现了IXpathNavigable ,因此它使用标准的.NET XPath引擎。任何XPath 1.0文档都适用,特别是如果它涉及System.Xml.XPath。

“// comment()”查找所有评论
“// meta”找到所有“元”元素

HtmlDocument的设计看起来非常像XmlDocument ,因此有关它的示例和教程将在某种程度上适用。

一些MSDN链接:



Related

许可下: CC-BY-SA with attribution
不隶属于 Stack Overflow
这个KB合法吗? 是的,了解原因
许可下: CC-BY-SA with attribution
不隶属于 Stack Overflow
这个KB合法吗? 是的,了解原因