C#解析HTML

在搜尋引擎的開發中，我們需要對網頁的Html内容進行檢索，難免的就需要對Html進行解析。拆分每一個節點并且擷取節點間的内容。此文介紹兩種C#解析Html的方法。

第一種方法：

用System.Net.WebClient下載下傳Web Page存到本地檔案或者String中，用正規表達式來分析。這個方法可以用在Web Crawler等需要分析很多Web Page的應用中。

估計這也是大家最直接，最容易想到的一個方法。

轉自網上的一個執行個體：所有的href都抽取出來：

using System;

using System.Net;

using System.Text;

using System.Text.RegularExpressions;

namespace HttpGet

{

    class Class1

    {

        [STAThread]

        static void Main(string[] args)

        {

            System.Net.WebClient client = new WebClient();

            byte[] page = client.DownloadData("http://www.google.com");

            string content = System.Text.Encoding.UTF8.GetString(page);

            string regex = "href=[\\\"\\\'](http:\\/\\/|\\.\\/|\\/)?\\w+(\\.\\w+)*(\\/\\w+(\\.\\w+)?)*(\\/|\\?\\w*=\\w*(&\\w*=\\w*)*)?[\\\"\\\']";

            Regex re = new Regex(regex);

            MatchCollection matches = re.Matches(content);

            System.Collections.IEnumerator enu = matches.GetEnumerator();

            while (enu.MoveNext() && enu.Current != null)

            {

                Match match = (Match)(enu.Current);

                Console.Write(match.Value + "\r\n");

            }

        }

    }

}

using System.Collections.Generic;

using System.ComponentModel;

using System.Data;

using System.Drawing;

using System.Linq;

using System.Windows.Forms;

using Winista.Text.HtmlParser;

using Winista.Text.HtmlParser.Lex;

using Winista.Text.HtmlParser.Util;

using Winista.Text.HtmlParser.Tags;

using Winista.Text.HtmlParser.Filters;

namespace HTMLParser

    public partial class Form1 : Form

        public Form1()

            InitializeComponent();

            AddUrl();

        private void btnParser_Click(object sender, EventArgs e)

            #region 獲得網頁的html

            try

                txtHtmlWhole.Text = "";

                string url = CBUrl.SelectedItem.ToString().Trim();

                System.Net.WebClient aWebClient = new System.Net.WebClient();

                aWebClient.Encoding = System.Text.Encoding.Default;

                string html = aWebClient.DownloadString(url);

                txtHtmlWhole.Text = html;

            catch (Exception ex)

                MessageBox.Show(ex.Message);

            #endregion

            #region 分析網頁html節點

            Lexer lexer = new Lexer(this.txtHtmlWhole.Text);

            Parser parser = new Parser(lexer);

            NodeList htmlNodes = parser.Parse(null);

            this.treeView1.Nodes.Clear();

            this.treeView1.Nodes.Add("root");

            TreeNode treeRoot = this.treeView1.Nodes[0];

            for (int i = 0; i < htmlNodes.Count; i++)

                this.RecursionHtmlNode(treeRoot, htmlNodes[i], false);

        private void RecursionHtmlNode(TreeNode treeNode, INode htmlNode, bool siblingRequired)

            if (htmlNode == null || treeNode == null) return;

            TreeNode current = treeNode;

            TreeNode content ;

            //current node

            if (htmlNode is ITag)

                ITag tag = (htmlNode as ITag);

                if (!tag.IsEndTag())

                {

                    string nodeString = tag.TagName;

                    if (tag.Attributes != null && tag.Attributes.Count > 0)

                    {

                        if (tag.Attributes["ID"] != null)

                        {

                            nodeString = nodeString + " { id=\"" + tag.Attributes["ID"].ToString() + "\" }";

                        }

                        if (tag.Attributes["HREF"] != null)

                            nodeString = nodeString + " { href=\"" + tag.Attributes["HREF"].ToString() + "\" }";

                    }

                    current = new TreeNode(nodeString);

                    treeNode.Nodes.Add(current);

                }

            //擷取節點間的内容

            if (htmlNode.Children != null && htmlNode.Children.Count > 0)

                this.RecursionHtmlNode(current, htmlNode.FirstChild, true);

                content = new TreeNode(htmlNode.FirstChild.GetText());

                treeNode.Nodes.Add(content);

            //the sibling nodes

            if (siblingRequired)

                INode sibling = htmlNode.NextSibling;

                while (sibling != null)

                    this.RecursionHtmlNode(treeNode, sibling, false);

                    sibling = sibling.NextSibling;

        private void AddUrl()

            CBUrl.Items.Add("http://www.hao123.com");

            CBUrl.Items.Add("http://www.sina.com");

            CBUrl.Items.Add("http://www.heuet.edu.cn");