ASP.NET MVC - 处理Html数据

HtmlAgilityPack

使用HtmlAgilityPack可以以面向对象的方式通过查找Html节点来获取页面元素。参考：http://html-agility-pack.net

HtmlDocument类

//方法
LoadHtml(string content);
//加载Html数据

CreateNode(string html)
//创建一个HtmlNode

CreateAttribute(string attriName, string attriVal)
//创建一个属性

CreateTextNode(string text)
//创建文本

//其它参考：http://html-agility-pack.net/utilities和http://html-agility-pack.net/writer

//属性
DocumentNode
//得到根节点,返回一个HtmlNode

HtmlNode类

//方法
SelectNodes(string xPath)
//获取xPath指定的节点集合

SelectSingleNode(string xPath)
//获取xPath指定的节点集合中的第一个节点

SetAttributeValue(HtmlAttribute attri | string attriName, string attriVal)
//修改当前节点的属性

PrependChild(HtmlNode node)
//在当前节点中的开始处插入新的子节点

AppendChild(HtmlNode node)
//在当前节点中的末尾处插入新的子节点

PrependChildren(HtmlNode node)
//在当前节点中的开始处的子节点的开始处插入后代节点

AppendChildren(HtmlNode node)
//在当前节点中的末尾处的子节点的末尾处插入后代节点

InsertAfter(HtmlNode node)
//在当前节点后面插入新节点，类似的有insertBefore

Remove()
//移除自身

RemoveAll()
//移除自身包含的所有节点

RemoveAllChildren()
//移除自身包含的所有节点

RemoveChild(HtmlNode oldChild | HtmlNode oldChild, bool keepGrandChildren)
//keepGrandChildren：是否深度移除后代节点
//移除自身包含的由参数指定的节点

ReplaceChild(HtmlNode newChild, HtmlNode oldChild);
//在当前节点中，用newChild替换oldChild

Clone()
//创建副本

CloneNode(bool deep | string name | string name, bool deep)
//deep：是否深度克隆，如果是false，则只克隆节点自身
//name：克隆的同时修改节点的标签名称，比如克隆H1的内容同时改掉结果节点的名称为H2

CopyFrom(HtmlNode node | HtmlNode node, bool deep)
//deep：是否深度拷贝，如果是false，则只拷贝节点自身
//从参数指定的节点处复制其包含的所有节点

Element()
//在当前节点中根据参数指定的名称获取一个子节点，返回单个HtmlNode

Elements()
//在当前节点中根据参数指定的名称获取子节点集合，返回IEnumerable<HtmlNode>集合

Ancestors(string name)
//获取当前节点的由参数指定的名称的祖先节点，如果参数为空则获取当前节点的所有祖先节点的集合，类似的有AncestorsAndSelf()、AncestorsAndSelf(string name)

Descendants(string name)
//获取当前节点的由参数指定的名称的后代节点，如果参数为空则获取当前节点的所有后代节点的集合，类似的有DescendantsAndSelf()、DescendantsAndSelf(string name)

DescendantNodes()
//获取所有后代节点，类似的有DescendantNodesAndSelf()

//属性
InnerHtml
//设置或获取当前节点所包含的元素节点

InnerText
//设置或获取当前节点所包含的文本

OuterHtml
//获取当前节点所包含的所有代码

ParentNode
//获取当前节点的父节点

ChildNodes
//获取所有子节点，类似的有FirstChild、LastChild、NextSibling、ParentNode

HtmlAttribute类

//方法
Add(HtmlAttribute attri | string attriName, string attriVal)
//添加一个属性，类似的有Append()

Remove(string attriName)
//此方法需要属性集合调用，移除节点的由参数指定的属性，如果参数为空则移除所有属性，类似的有RemoveAll()、RemoveAt(int index)

例子：

private void Test()
{
    HtmlDocument doc = new HtmlDocument();
    //三种方式创建Html对象

    //第一种：
    //System.IO.StreamReader reader = System.IO.File.OpenText(url);
    //doc.LoadHtml(reader);

    //第二种：
    //doc.LoadHtml(url); 如果使用Load(url)会出现提示文档包含非法字符

    //第三种：
    //string htmlText = "<div>xxx</div>";
    //doc.LoadHtml(htmlText);
           
    string url = "http://www.weather.com.cn/weathern/101040100.shtml";
    WebClient wc = new WebClient();
    wc.Encoding = Encoding.GetEncoding("utf-8");
    string content = wc.DownloadString(url);

    doc.LoadHtml(content);
    HtmlNode root = doc.DocumentNode; //得到根节点
    var div= root.SelectNodes("//div").Where(d => d.InnerText.Contains("sam")).SingleOrDefault();
}

附：移除注释

foreach (var comment in doc.DocumentNode.SelectNodes("//comment()").ToArray())
{
    comment.Remove();//新增的代码
}