asp.net中HtmlAgility读取网页、获取数据、id例子

作者：袖梨 2022-06-25

该篇学习它的解析功能，还可以模拟用户请求,创建html,设置代理等等，暂先不研究。

入门代码：

代码如下

复制代码

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Net;
using HtmlAgilityPack;
namespace ConsoleApplication1
{
    class Program
    {
static void Main(string[] args)
{
    HtmlWeb webClient = new HtmlWeb();
    HtmlDocument doc = webClient.Load("http://www.baidu.com");
    var rootNode = doc.DocumentNode;
    HtmlNodeCollection categoryNodeList = rootNode.SelectNodes("//html[1]/body[1]");
    foreach (var item in categoryNodeList)
    {
Console.WriteLine("item: " + item.Name);
    }
    Console.Read();
}
    }
}

2.读取

那么，如果是载入本地的Html或者直接读流，字符串。可以这么做

代码如下	复制代码
HtmlDocument doc = new HtmlDocument(); doc.Load(@"D:xxx.mht", Encoding.UTF8, false);

public void LoadHtml(string html);//直接读字符串化的htmlpublic void Load(Stream stream);//流public void Load(string path);//本地路径

HtmlDocumen其本身也提供检测编码的方法。

HtmlWeb主要是自动检测编码，如果要自定义编码可以改其中属性。OverrideEncoding, AutoDetectEncoding。而HtmlDocument对编码的操作反而不一样，指定在参数中，估计是自动检测编码已经很强大了把，很少要自己指定。。。。

3.节点选择

rootNode.SelectNodes
rootNode.SelectSingleNode
选择节点和选择单个节点。

用SelectNodes为例，看一下参数

rootNode.SelectNodes("//html[1]/body[1]");
"//"双斜杠表示从根节点查找所有子节点

"/"单斜杠表示只查找第一层子节点

"./"点斜杠表示从当前节点开始查找

[]中括号中的代表相同名字的子节点索引。

代码如下

复制代码

var resultList = rootNode.SelectNodes("//html[1]/body[1]/div[1]/div[position()<5]");//取前4个元素resultList = rootNode.SelectNodes("//html[1]/body[1]/div[1]/div[last()]");//取最后1个元素resultList = rootNode.SelectNodes("//html[1]/body[1]/div[1]/div[@id]");//取所有有id属性的元素resultList = rootNode.SelectNodes("//html[1]/body[1]/div[1]/div[@id='head']");//取属性id值为head的元素

更多属性可以在W3SCHOOL查看

取属性

代码如下

复制代码

doc.Attributes["id"];

取元素
doc.GetElementbyId("id");

补充

HtmlAgilityPack类库用法

1、首先需要获取到html页面数据，可以通过WebRequest类来获取

代码如下	复制代码
public static string GetHtmlStr(string url) { try { WebRequest rGet = WebRequest.Create(url); WebResponse rSet = rGet.GetResponse(); Stream s = rSet.GetResponseStream(); StreamReader reader = new StreamReader(s, Encoding.UTF8); return reader.ReadToEnd(); } catch (WebException) { //连接失败 return null; } }

2、通过HtmlDocument类加载html数据

代码如下

复制代码

string htmlstr = GetHtmlStr(http://www.111com.net);
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(htmlstr);
HtmlNode rootnode = doc.DocumentNode;    //XPath路径表达式，这里表示选取所有span节点中的font最后一个子节点，其中span节点的class属性值为num
//根据网页的内容设置XPath路径表达式
string xpathstring = "//span[@class='num']/font[last()]";
HtmlNodeCollection aa = rootnode.SelectNodes(xpathstring);    //所有找到的节点都是一个集合

if(aa != null)
{
    string innertext = aa[0].InnerText;
    string color = aa[0].GetAttributeValue("color", "");    //获取color属性，第二个参数为默认值
    //其他属性大家自己尝试
}

也可以通过HtmlWeb类来获得HtmlDocument