代码之家 › 专栏 › 技术社区 › Andreas Niedermair

如何解析这段HTML?

html-agility-pack html c#

Andreas Niedermair · 技术社区 · 15 年前

早上好! 我正在使用C(框架3.5sp1)并希望通过regex解析以下HTML片段:

<h1>My caption</h1>
<p>Here will be some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

我需要以下输出:

第1组:h1含量
第2组:正文后的h1内容
第3-N组:子标题内容+文本

我有什么自动取款机:

<hr.*?/>
<h2.*?>(.*?)</h2>
([\W\S]*?)
<hr.*?/>

这将给我每个奇怪的子标题+内容(如1,3,…)由于尾随 <hr/> . 对于分析h1标题,我有另一个模式( <h1.*?>(.*?)</h1> ,这只给了我标题,但没有内容-我可以用ATM机。

是否有人为我提供提示/解决方案或任何其他逻辑(例如,通过读卡器解析HTML并以这种方式分配它?)?

编辑:
一些人带来的 HTMLAgilityPack 我对这个好工具很好奇。我已经完成了 <h1> -标签。
但是…我的问题是分析其余部分。这是由以下原因造成的:内容的标记可能会有所不同- <p> 到 <div> 和 <ul> … ATM这似乎或多或少地迭代了整个文档并解析了标签的标记…? 有什么暗示吗?

4 回复 | 直到 10 年前

Community CDub 8 年前

你真的需要 HTML parser 为此

Mark Byers 15 年前

不要使用regex解析HTML。考虑使用 HTML Agility Pack .

lexmooze 13 年前

有一些可能性:

正则表达式 -快速但不可靠,它不能处理格式错误的HTML。

HTMG -很好,但是有很多内存泄漏。如果你想处理一些文件,没有问题。

SGMLRead -很好,但有个问题。有时它找不到默认的名称空间来获取其他节点,那么就不可能解析HTML。

http://developer.mindtouch.com/SgmlReader

雄伟-12 -很好,但不如sgmlreader快。

http://www.majestic12.co.uk/projects/html_parser.php

sgmlreader(vb.net)示例

Dim sgmlReader As New Sgml.SgmlReader()
Public htmldoc As New System.Xml.Linq.XDocument
sgmlReader.DocType = "HTML"
sgmlReader.WhitespaceHandling = System.Xml.WhitespaceHandling.All
sgmlReader.CaseFolding = Sgml.CaseFolding.ToLower
sgmlReader.InputStream = New System.IO.StringReader(vSource)
sgmlReader.CaseFolding = CaseFolding.ToLower
htmldoc = XDocument.Load(sgmlReader)    
Dim XNS As XNamespace 

' In this part you can have a bug, sometimes it cant get the Default Namespace*********
Try
      XNS = htmldoc.Root.GetDefaultNamespace
Catch
        XNS = "http://www.w3.org/1999/xhtml"
End Try
If XNS.NamespaceName.Trim = "" Then
        XNS = "http://www.w3.org/1999/xhtml"
End If

'use it with the linq commands
For Each link In htmldoc.Descendants(XNS + "script")
        Scripts &= link.Value
Next

在Majestic-12中,不同的是,您必须使用“Next”命令步行到每个标签。您可以使用DLL找到一个示例代码。

Jim Brown 13 年前

正如其他人提到的,使用htmlagilityPack。但是,如果您喜欢jquery/css选择器,我刚刚找到了一个名为fizzler的htmlagilityPack的分支: http://code.google.com/p/fizzler/ 用这个你可以找到所有 <p> 标签使用:

var pTags = doc.DocumentNode.QuerySelectorAll('p').ToList();

或者找到一个特定的类 <div id="myDiv"></div> :

var myDiv = doc.DocumentNode.QuerySelectorAll('#myDiv');

再简单不过了!