偶然一次機會在浏覽codeplex網站時，發現一款很不錯的html解析以及轉換工具，就是本篇标題所提到的Html Agility Pack。Html Agility Pack是codeplex裡的一款開源架構，其主要功能是利用對象模型去操作html内容，能夠把xpath等xml方面的技術簡單、靈活地應用在html文檔解析中。正如其介紹所說的那樣，該架構非常适合用于開發爬蟲，網絡資料挖掘工具。更重要的是該架構完全由c#語言編寫，便于對架構的修改和深入的研究。
下面來看看如何将html轉換成xml格式
首先建立一個HtmlDocument對象(該HtmlDocument是Html Agility Pack中的類，并不是winform裡的那個)，所有的對html的操作都通過這個對象實作。
HtmlDocument htmlDoc = new HtmlDocument();
接着設定輸出成xml的一些選項
//輸出成xml格式
htmlDoc.OptionOutputAsXml = true;
加載html字元串内容，同時輸出轉換結果
// 加載html内容
htmlDoc.LoadHtml(@"<html><body>
<table>
<tr>
<td>dafd</td>
<td>
</tr>
</table>
</body></html>");
// 将輸出結果儲存到字元串流中
StringBuilder sbXml = new StringBuilder();
StringWriter sw = new StringWriter(sbXml);
htmlDoc.Save(sw);
Console.WriteLine(sbXml.ToString());
提供的html内容并不是良好格式的xml，轉換之後的結果:
<?xml version="1.0" encoding="gb2312"?>
<html>
<body>
<table>
<tr>
<td>dafd</td>
<td></td>
</tr>
</table>
</body>
</html>
轉換之後，自動修複了沒有比對标記，并且加上了xml的聲明。
另外在使用的時候，如果給定的html文檔内容沒有根節點，那麼轉換之後會自動添加一個名稱為span的根節點。
比如輸入的html文檔如下：
<script>var b ='b';</script>
<html><body>
<td>
</body>
轉換結果如下：
<?xml version="1.0" encoding="gb2312"?><span><script>
//<![CDATA[
var b ='b';
//]]>//
</script><html><body>
</td></tr>
</body></html></span>
這種方式保證了轉換時的安全，是否使用還是看具體的項目要求。
以上方式是給定了已有的html字元串，還有另外一種更加友善的方式，那就是直接給出url路徑，利用HtmlWeb就能包辦下載下傳以及轉換的功能。實作方式如下：
StringBuilder sbXml = new StringBuilder();
StringWriter sw = new StringWriter(sbXml);
XmlTextWriter tw = new XmlTextWriter(sw);
HtmlWeb htmlWeb = new HtmlWeb();
htmlWeb.LoadHtmlAsXml("http://htmlagilitypack.codeplex.com/", tw);
Console.WriteLine(sbXml.ToString());
以上方式雖然友善，但是有一個不穩定的因素是：下載下傳過來的html文檔很有可能是亂碼，并确實存在這種情況，為了更好的使用，我修改了下源代碼，讓其在下載下傳的時候就能自動判斷編碼方式。
Html Agility Pack的效率比htmlparser有了很大的提升。但是在處理一些超大頁面時，還是要有一些等待。另外還有一個美中不足的是，轉換的結果還是不能100%地符合表中html格式的内容，隻能說是95%地接近，比起firebug的html解析功能還差的遠。
Html Agility Pack的下載下傳連結
修改過的dll(修複文檔下載下傳後亂碼的問題)