C#解析HTML

第一种方法：用正则表达式来分析

[csharp] view plaincopy  
 转自网上的一个实例：所有的href都抽取出来：  
 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");  
             }  
         }  
     }  
 }  
   
 一些爬虫的HTML解析中也是用的类似的方法。  

第二中方法：利用Winista.Htmlparser.Net 解析Html

1. 下载：

http://www.netomatix.com/Products/DocumentManagement/HTMLParserNet.aspx

2. 使用实例1

[csharp] view plaincopy  
 using System;  
 using System.Collections.Generic;  
 using System.ComponentModel;  
 using System.Data;  
 using System.Drawing;  
 using System.Linq;  
 using System.Text;  
 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 获得网页的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 分析网页html节点  
             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);  
             }  
  
             #endregion  
   
         }  
   
         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);  
                 }  
             }  
   
             //获取节点间的内容  
             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");  
         }  
   
           
   
     }  
 }  

运行效果：

实现取来很容易，结合Winista.Htmlparser源码很快就可以实现想要的效果。

3. 使用实例2

[csharp] view plaincopy  
 using Winista.Text.HtmlParser;  
   
 using Winista.Text.HtmlParser.Tags;  
   
 using Winista.Text.HtmlParser.Filters;  
   
 using Winista.Text.HtmlParser.Util;  
   
             string str = "<table><tr><td>姓名</td><td>林肯</td></tr><tr><td>年龄</td><td>28</td></tr><tr><td>性别</td><td>男</td></tr><tr><td>姓名</td><td>克林顿</td></tr><tr><td>年龄</td><td>38</td></tr><tr><td>性别</td><td>男</td></tr></table>";  
   
             Parser parser = Parser.CreateParser( str , null );  
   
             NodeList nodes = parser.ExtractAllNodesThatMatch( new TagNameFilter("td") );  
   
             this.Page.Response.Write("<b>原来的html:</b>" + str  );  
   
             this.Page.Response.Write("<b>转换后的html:</b><br>" );  
   
             for( int i = 5 ; i >= 0 ; i-- )  
   
             {  
   
                 this.Page.Response.Write( nodes[i*2].FirstChild.ToHtml() + nodes[i*2+1].FirstChild.GetText() + "<br>" );  
   
             }