之前发个一篇关于实现html转成xml的劣作《实现html转Xml》，受到不少网友的关心。该实现方法是借助htmlparser去分解html内容，然后按照dom的结构逐个生成xml字符串。在没有充分实践后，还以为该方案能解决问题。然而经过实际使用，效率确实很低，而且对一些特殊html属性的转换也不支持，得到的结果差强人意。

　　偶然一次机会在浏览codeplex网站时，发现一款很不错的html解析以及转换工具，就是本篇标题所提到的Html Agility Pack。Html Agility Pack是codeplex里的一款开源框架，其主要功能是利用对象模型去操作html内容，能够把xpath等xml方面的技术简单、灵活地应用在html文档解析中。正如其介绍所说的那样，该框架非常适合用于开发爬虫，网络数据挖掘工具。更重要的是该框架完全由c#语言编写，便于对框架的修改和深入的研究。

　　下面来看看如何将html转换成xml格式

　　首先创建一个HtmlDocument对象(该HtmlDocument是Html Agility Pack中的类，并不是winform里的那个)，所有的对html的操作都通过这个对象实现。

HtmlDocument htmlDoc = new HtmlDocument();

接着设置输出成xml的一些选项

//输出成xml格式

htmlDoc.OptionOutputAsXml = true;

加载html字符串内容，同时输出转换结果


// 加载html内容

htmlDoc.LoadHtml(@"<html><body>

<table>

         <tr>

         <td>dafd</td>

         <td>

         </tr>

  </table>

</body></html>");

 // 将输出结果保存到字符串流中

  StringBuilder sbXml = new StringBuilder();

  StringWriter sw = new StringWriter(sbXml);

  htmlDoc.Save(sw);

 Console.WriteLine(sbXml.ToString());

提供的html内容并不是良好格式的xml，转换之后的结果:


<?xml version="1.0" encoding="gb2312"?>

<html>

<body>

                <table>

                    <tr>

                        <td>dafd</td>

                        <td></td>

                    </tr>

                </table>

</body>

</html>

转换之后，自动修复了没有匹配标记，并且加上了xml的声明。

另外在使用的时候，如果给定的html文档内容没有根节点，那么转换之后会自动添加一个名称为span的根节点。

比如输入的html文档如下：


<script>var b ='b';</script>

<html><body>

                <table>

                    <tr>

                        <td>dafd</td>

                        <td>

                    </tr>

                </table>

                </body>

</html>

转换结果如下：


<?xml version="1.0" encoding="gb2312"?><span><script>

//<![CDATA[

var b ='b';

//]]>//

</script><html><body>

                <table>

                    <tr>

                        <td>dafd</td>

                        <td>

                    </td></tr>

                </table>

                </body></html></span>

这种方式保证了转换时的安全，是否使用还是看具体的项目要求。

　　以上方式是给定了已有的html字符串，还有另外一种更加方便的方式，那就是直接给出url路径，利用HtmlWeb就能包办下载以及转换的功能。实现方式如下：


            StringBuilder sbXml = new StringBuilder();

            StringWriter sw = new StringWriter(sbXml);

            XmlTextWriter tw = new XmlTextWriter(sw);

            HtmlWeb htmlWeb = new HtmlWeb();

            htmlWeb.LoadHtmlAsXml("http://htmlagilitypack.codeplex.com/", tw);

            Console.WriteLine(sbXml.ToString());

以上方式虽然方便，但是有一个不稳定的因素是：下载过来的html文档很有可能是乱码，并确实存在这种情况，为了更好的使用，我修改了下源代码，让其在下载的时候就能自动判断编码方式。

　　Html Agility Pack的效率比htmlparser有了很大的提升。但是在处理一些超大页面时，还是要有一些等待。另外还有一个美中不足的是，转换的结果还是不能100%地符合表中html格式的内容，只能说是95%地接近，比起firebug的html解析功能还差的远。

Html Agility Pack的下载链接

http://htmlagilitypack.codeplex.com/

修改过的dll(修复文档下载后乱码的问题)

HtmlAgilityPack_Shenba

一款很不错的html转xml工具-Html Agility Pack的更多相关文章

  1. 一款很不错的html转xml工具-Html Agility Pack 实现html转Xml

    [转]一款很不错的html转xml工具-Html Agility Pack 之前发个一篇关于实现html转成xml的劣作<实现html转Xml>,受到不少网友的关心.该实现方法是借助htm ...

  2. C#不用union，而是有更好的方式实现 .net自定义错误页面实现 .net自定义错误页面实现升级篇 .net捕捉全局未处理异常的3种方式 一款很不错的FLASH时种插件 关于c#中委托使用小结 WEB网站常见受攻击方式及解决办法 判断URL是否存在 提升高并发量服务器性能解决思路

    C#不用union,而是有更好的方式实现   用过C/C++的人都知道有个union,特别好用,似乎char数组到short,int,float等的转换无所不能,也确实是能,并且用起来十分方便.那C# ...

  3. 分享15款很实用的 Sass 和 Compass 工具

    Sass 是 CSS 的扩展,增加了嵌套规则,变量,混入功能等很多更多.它简化了组织和维护 CSS 代码的成本.Compass 是一个开源的 CSS 框架,使得使用 CSS3 和流行的设计模式比以往任 ...

  4. 优秀工具推荐：两款很棒的 HTML5 游戏开发工具

    HTML5 众多强大特性让我们不需要多么高深技术就能创建好玩的网页游戏,同时证明了开放的 Web 技术能与任何其他在游戏开发中使用的技术竞争.正如标题所说,这篇文章推荐的几款很棒 HTML5 游戏开发 ...

  5. 为大家推荐一款很不错的MarkDown编辑器——stackEdit

    自己细致体验了一下下:认为它还是很不错的! !! https://stackedit.io 这是它的官网,我们能够在chrome浏览器的"应用"里找到相应的插件. ps:它但是一款 ...

  6. [aspnetcore.apidoc]一款很不错的api文档生成工具

    AspNetCore.ApiDoc 简单徐速一下为什么选用了aspnetcore.apidoc 而没有选用swagger 最初我们也有在试用swagger,但总是有些感觉,感觉有点不满意,就但从api ...

  7. AspNetCore.FileLog 一款很不错的日志记录工具

    AspNetCore.FileLog 该项目作者为伟哥,GitHub地址:https://github.com/amh1979:该项目维护者为鸟窝,GitHub地址:https://github.co ...

  8. 一款很不错的FLASH时种插件

    直接贴一段代码上来,大家看看效果: <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" " ...

  9. 很不错的点餐系统应用ios源代码完整版

    该源代码是一款很不错的点餐系统应用,应用源代码齐全,执行起来很不错,基本实现了点餐的一些经常使用的功能,并且界面设计地也很不错,是一个不错的ios应用学习的样例,喜欢的朋友能够下载学习看看,很多其它i ...

随机推荐

  1. Less小记

    Less除了在引用的时候link和script有顺序之外,在编译过程中,less中的代码顺序也会造成对样式的重置.

  2. PHP 常用命令

    php常用命令: #输出语句 $ php -r "echo '123' . PHP_EOL;" #执行php脚本文件 $ php -f file.php   #查看版本号 $ ph ...

  3. Django 基础

    Django 的路由系统 在 django 的 URLconf 配置文件 urls.py 中根据一个 URL 对应 views 的一个函数来处理用户的请求. 1.基本的 urls 对应 urlpatt ...

  4. SpringMVC源码阅读(三)

    先理一下Bean的初始化路线 org.springframework.beans.factory.support.AbstractBeanDefinitionReader public int loa ...

  5. bzoj 3744: Gty的妹子序列 主席树+分块

    3744: Gty的妹子序列 Time Limit: 15 Sec  Memory Limit: 128 MBSubmit: 101  Solved: 34[Submit][Status] Descr ...

  6. bzoj 1079: [SCOI2008]着色方案 DP

    1079: [SCOI2008]着色方案 Time Limit: 10 Sec  Memory Limit: 162 MBSubmit: 803  Solved: 512[Submit][Status ...

  7. input text的outline属性

    普通的text选中编辑时会出现蓝色的边框,感觉不太美观,怎么去掉呢? 可以在text对应的样式里加入:outline: 0;

  8. MFC应用程序创建窗口的过程 good

    MFC应用程序中处理消息的顺序 1.AfxWndProc()      该函数负责接收消息,找到消息所属的CWnd对象,然后调用AfxCallWndProc 2.AfxCallWndProc()  该 ...

  9. web版本控制

    说说你在web开发中是怎么进行版本管理的 在web开发中,我首先将系统框架搭建完成后,我会发布到服务器上,然后给小组成员进行分工,为他们划分各自的模块,他们每天早上上班时就从服务器上先将自己机器上面的 ...

  10. wcf纯代码创建控制台应用

    https://svn.apache.org/repos/asf/incubator/stonehenge/contrib/stocktrader/dotnet/ stocktrader项目的dotn ...