HtmlAgilityPack解析html文档

一、爬虫概述

C#（99）：HttpClient网络HTTP请求和相应

1、使用浏览器获取页面源码

1. C#使用Selenium
2. Web browser控件CefSharp的使用

2、HTML解析组件

1. HtmlAgilityPack：https://github.com/zzzprojects/html-agility-pack/
2. Fizzler.Systems.HtmlAgilityPack： https://www.nuget.org/packages/Fizzler.Systems.HtmlAgilityPack
   Fizzler是用于文档层次结构的W3C选择器解析器和通用选择器框架。这个包使Fizzler优于HTMLAgilityPack，为HtmlNode对象添加了QuerySelector和QuerySelectorAll(来自选择器API Level 1)。
3. HtmlAgilityPack.CssSelectors（2016/6后不更新了）：https://www.nuget.org/packages/HtmlAgilityPack.CssSelectors/
4. AngleSharp(2018/10月后不更新了):https://github.com/AngleSharp/AngleSharp
5. CsQuery（2015/12月后不更新了）:https://github.com/jamietre/CsQuery
6. Jumony（2017/1月不更新了）:https://github.com/Ivony/Jumony
7. NSoup（2019/2月不更新了）::https://github.com/GeReV/NSoup

二、HtmlAgilityPack介绍

HtmlAgilityPack(以下简称HAP)是一个基于.Net的、第三方免费开源的微型类库，主要用于在服务器端解析html文档。

HtmlAgilityPack为网页提供了标准的DOM API和XPath导航。使用WebBrowser和HttpWebRequest下载的网页可以用Html Agility Pack来解析。

Xpath表达式的参考文档可见：https://www.cnblogs.com/springsnow/p/11810458.html#_label0

参考：

GitHub：https://github.com/zzzprojects/html-agility-pack/releases

官网：https://html-agility-pack.net/

https://www.nuget.org/packages/HtmlAgilityPack/

三、属性和方法

HtmlAgilityPack中的HtmlNode类与XmlNode类差不多，HtmlDocument类与XmlDocument类差不多。

参考：https://www.cnblogs.com/springsnow/p/12883050.html

下面来看看该类提供功能。

属性：

• Attributes： 获取节点的属性集合
  
• Attributes： 获取节点的属性集合
• ChildNodes：获取子节点集合(包括文本节点)
• Closed：该节点是否已关闭(</xxx>)
• ClosingAttributes在关闭标签的属性集合
• FirstChild： 获取第一个子节点
• HasAttributes ：判断该节点是否含有属性
• HasChildNodes：　判断该节点是否含有子节点
• HasClosingAttributes ： 判断该节点的关闭标签是否含有属性(</xxx class="xxx">)
• Id： 获取该节点的Id属性
• InnerHtml： 获取该节点的Html代码
• InnerText：  获取该节点的内容，与InnerHtml不同的地方在于它会过滤掉Html代码，而InnerHtml是连Html代码一起输出
• LastChild：  获取最后一个子节点
• Line：  获取该节点的开始标签或开始代码位于整个HTML源代码的第几行(行号)
• Name：Html元素名
• NextSibling： 获取下一个兄弟节点
• NodeType：    获取该节点的节点类型
• OuterHtml： 整个节点的代码
• OwnerDocument：节点所在的HtmlDocument文档
• ParentNode：获取该节点的父节点
• PreviousSibling：　获取前一个兄弟节点
• StreamPosition：　该节点位于整个Html文档的字符位置
• XPath：  根据节点返回该节点的XPath

方法：

• Load(string path)：  从路径中加载一个文档
• Ancestors()：  返回此元素的所有上级节点的集合。
• AppendChild(HtmlNode newChild)：  将参数元素追加到为调用元素的子元素(追加在最后)
• PrependChild(HtmlNode newChild)：  将参数中的元素作为子元素，放在调用元素的最前面
• ChildAttributes(string name)：  获取所有子元素的属性(参数名要与元素名匹配)
• Clone()：  本节点克隆到一个新的节点
• CopyFrom(HtmlNode node)：  创建重复的节点和其下的子树。
• CreateNavigator()：  返回的一个对于此文档的XPathNavigator
• CreateNode(string html)：  静态方法，允许用字符串创建一个新节点
• CreateRootNavigator()：  创建一个根路径的XPathNavigator
• DescendantNodes()：  获取所有子代节点
• Element(string name)：  根据参数名获取一个元素
• Elements(string name)：  根据参数名获取匹配的元素集合
• GetAttributeValue(string name, bool def)：  帮助方法，用来获取此节点的属性的值(布尔类型)。如果未找到该属性，则将返回默认值。
• InsertAfter(HtmlNode newChild, HtmlNode refChild)：  将一个节点插入到第二个参数节点的后面，与第二个参数是兄弟关系
• InsertBefore(HtmlNode newChild, HtmlNode refChild)：  将一个节点插入到第二个参数节点的后面，与第二个参数是兄弟关系
• IsEmptyElement(string name)：  确定是否一个空的元素节点。
• IsOverlappedClosingElement(string text)：  确定是否文本对应于一个节点可以保留重叠的结束标记。
• Remove()：  从父集合中移除调用节点
• SelectNodes(string xpath)：  根据XPath获取一个节点集合
• SelectSingleNode(string xpath)：  根据XPath获取唯一的一个节点
• SetAttributeValue(string name, string value)：  设置调用节点的属性
• WriteContentTo()：  将该节点的所有子级都保存到一个字符串中。
• WriteTo()：  将当前节点保存到一个字符串中。
• Save(string filename)：  将HTML文档保存到指定的路径

四、用法

下面是几个简单使用说明：

1、获取网页title：

doc.DocumentNode.SelectSingleNode("//title").InnerText;//XPath中：“//title”表示所有title节点。SelectSingleNode用于获取满足条件的唯一的节点。

2、获取所有的超链接：

doc.DocumentNode.Descendants("a")

3、获取name为kw的input，也就是相当于getElementsByName()：

var kwBox = doc.DocumentNode.SelectSingleNode("//input[@name='kw']");

示例：

private void Form1_Load(object sender, EventArgs e)
{
    List<Result> list = new List<Result>();
    HtmlWeb htmlWeb = new HtmlWeb();
    htmlWeb.OverrideEncoding = Encoding.UTF8;//编码，这里网上有些很多写法都不正确
    HtmlAgilityPack.HtmlDocument htmlDoc = htmlWeb.Load(@http://www.cnblogs.com/);
    //选择博客园首页文章列表
    htmlDoc.DocumentNode.SelectNodes("//div[@id='post_list']/div[@class='post_item']").//双斜杠“//”表示从跟节点开始查找
        AsParallel().ToList().ForEach(ac =>
        {
            //抓取图片，因为有空的，所以拿变量存起来
            HtmlNode node = ac.SelectSingleNode(".//p[@class='post_item_summary']/a/img");
            list.Add(new Result
            {
                url = ac.SelectSingleNode(".//a[@class='titlelnk']").Attributes["href"].Value,
                title = ac.SelectSingleNode(".//a[@class='titlelnk']").InnerText,
                //图片如果为空，显示默认图片
                img = node == null ? "http ://www.cnblogs.com//Content/img/avatar.png" : node.Attributes["src"].Value,
                content = ac.SelectSingleNode(".//p[@class='post_item_summary']").InnerText
            });
        });

    foreach (Result item in list)
    {
        this.listBox1.Items.Add(item.title);
    }
}

/// <summary>
/// 页面抓取结果
/// </summary>
public class Result
{
    /// <summary>
    /// 链接
    /// </summary>
    public string url { get; set; }
    /// <summary>
    /// 标题
    /// </summary>
    public string title { get; set; }
    /// <summary>
    /// 头像地址
    /// </summary>
    public string img { get; set; }
    /// <summary>
    /// 正文内容
    /// </summary>
    public string content { get; set; }
}