Come usare il pacchetto di agilità HTML

Come si usa HTML Agility Pack ?

Il mio documento XHTML non è completamente valido. Ecco perché volevo usarlo. Come lo uso nel mio progetto? Il mio progetto è in C #.

Innanzitutto, installa il pacchetto nuget HTMLAgilityPack nel tuo progetto.

Quindi, ad esempio:

HtmlAgilityPack.HtmlDocument htmlDoc = new HtmlAgilityPack.HtmlDocument();

// There are various options, set as needed
htmlDoc.OptionFixNestedTags=true;

// filePath is a path to a file containing the html
htmlDoc.Load(filePath);

// Use:  htmlDoc.LoadHtml(xmlString);  to load from a string (was htmlDoc.LoadXML(xmlString)

// ParseErrors is an ArrayList containing any errors from the Load statement
if (htmlDoc.ParseErrors != null && htmlDoc.ParseErrors.Count() > 0)
{
    // Handle any parse errors as required

}
else
{

    if (htmlDoc.DocumentNode != null)
    {
        HtmlAgilityPack.HtmlNode bodyNode = htmlDoc.DocumentNode.SelectSingleNode("//body");

        if (bodyNode != null)
        {
            // Do something with bodyNode
        }
    }
}

(NB: questo codice è solo un esempio e non necessariamente l'approccio migliore / unico. Non utilizzarlo ciecamente nella propria applicazione.)

Il HtmlDocument.Load()metodo accetta anche un flusso che è molto utile per l'integrazione con altre classi orientate al flusso nel framework .NET. Mentre HtmlEntity.DeEntitize()è un altro metodo utile per elaborare correttamente le entità html. (grazie Matteo)

HtmlDocumente HtmlNode sono le classi che utilizzerai di più. Simile a un parser XML, fornisce i metodi selectSingleNode e selectNodes che accettano le espressioni XPath.

Presta attenzione alle HtmlDocument.Option?????? proprietà booleane. Questi controllano come i metodi Loade LoadXMLelaboreranno il tuo HTML / XHTML.

Esiste anche un file di aiuto compilato chiamato HtmlAgilityPack.chm che ha un riferimento completo per ciascuno degli oggetti. Normalmente si trova nella cartella di base della soluzione.

Non so se questo ti sarà di aiuto, ma ho scritto un paio di articoli che introducono le basi.

• Serie di articoli HtmlAgilityPack
• Introduzione alla libreria HtmlAgilityPack
• Estrarre facilmente i collegamenti da un frammento di HTML con HtmlAgilityPack

Il prossimo articolo è completo al 95%, devo solo scrivere spiegazioni delle ultime parti del codice che ho scritto. Se sei interessato, cercherò di ricordare di postare qui quando lo pubblicherò.

HtmlAgilityPack utilizza la sintassi XPath e sebbene molti sostengano che sia scarsamente documentato, non ho avuto problemi a usarlo con l'aiuto di questa documentazione XPath: https://www.w3schools.com/xml/xpath_syntax.asp

Analizzare

<h2>
  <a href="">Jack</a>
</h2>
<ul>
  <li class="tel">
    <a href="">81 75 53 60</a>
  </li>
</ul>
<h2>
  <a href="">Roy</a>
</h2>
<ul>
  <li class="tel">
    <a href="">44 52 16 87</a>
  </li>
</ul>

L'ho fatto:

string url = "http://website.com";
var Webget = new HtmlWeb();
var doc = Webget.Load(url);
foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//h2//a"))
{
  names.Add(node.ChildNodes[0].InnerHtml);
}
foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//li[@class='tel']//a"))
{
  phones.Add(node.ChildNodes[0].InnerHtml);
}

Il codice principale di HTMLAgilityPack è il seguente

using System;
using System.Net;
using System.Web;
using System.Web.Services;
using System.Web.Script.Services;
using System.Text.RegularExpressions;
using HtmlAgilityPack;

namespace GetMetaData
{
    /// <summary>
    /// Summary description for MetaDataWebService
    /// </summary>
    [WebService(Namespace = "http://tempuri.org/")]
    [WebServiceBinding(ConformsTo = WsiProfiles.BasicProfile1_1)]
    [System.ComponentModel.ToolboxItem(false)]
    // To allow this Web Service to be called from script, using ASP.NET AJAX, uncomment the following line.
    [System.Web.Script.Services.ScriptService]
    public class MetaDataWebService: System.Web.Services.WebService
    {
        [WebMethod]
        [ScriptMethod(UseHttpGet = false)]
        public MetaData GetMetaData(string url)
        {
            MetaData objMetaData = new MetaData();

            //Get Title
            WebClient client = new WebClient();
            string sourceUrl = client.DownloadString(url);

            objMetaData.PageTitle = Regex.Match(sourceUrl, @
            "\<title\b[^>]*\>\s*(?<Title>[\s\S]*?)\</title\>", RegexOptions.IgnoreCase).Groups["Title"].Value;

            //Method to get Meta Tags
            objMetaData.MetaDescription = GetMetaDescription(url);
            return objMetaData;
        }

        private string GetMetaDescription(string url)
        {
            string description = string.Empty;

            //Get Meta Tags
            var webGet = new HtmlWeb();
            var document = webGet.Load(url);
            var metaTags = document.DocumentNode.SelectNodes("//meta");

            if (metaTags != null)
            {
                foreach(var tag in metaTags)
                {
                    if (tag.Attributes["name"] != null && tag.Attributes["content"] != null && tag.Attributes["name"].Value.ToLower() == "description")
                    {
                        description = tag.Attributes["content"].Value;
                    }
                }
            } 
            else
            {
                description = string.Empty;
            }
            return description;
        }
    }
}

    public string HtmlAgi(string url, string key)
    {

        var Webget = new HtmlWeb();
        var doc = Webget.Load(url);
        HtmlNode ourNode = doc.DocumentNode.SelectSingleNode(string.Format("//meta[@name='{0}']", key));

        if (ourNode != null)
        {


                return ourNode.GetAttributeValue("content", "");

        }
        else
        {
            return "not fount";
        }

    }

Guida introduttiva - HTML Agility Pack

// From File
var doc = new HtmlDocument();
doc.Load(filePath);

// From String
var doc = new HtmlDocument();
doc.LoadHtml(html);

// From Web
var url = "http://html-agility-pack.net/";
var web = new HtmlWeb();
var doc = web.Load(url);

prova questo

string htmlBody = ParseHmlBody(dtViewDetails.Rows[0]["Body"].ToString());

private string ParseHmlBody(string html)
        {
            string body = string.Empty;
            try
            {
                var htmlDoc = new HtmlDocument();
                htmlDoc.LoadHtml(html);
                var htmlBody = htmlDoc.DocumentNode.SelectSingleNode("//body");
                body = htmlBody.OuterHtml;
            }
            catch (Exception ex)
            {

                dalPendingOrders.LogMessage("Error in ParseHmlBody" + ex.Message);
            }
            return body;
        }