C# 记一次对chm帮助文档的信息提取

事情时这样，有用友u8的字典数据的帮助文档一份，同事需要把里面的很多张表的字典信息给提取出来，然后构成sql语句，插入数据库。字典就是一张对表里的字段的一个说明，长这样

同事一开始是手动复制到excel文档在改的，他问我有没有什么简单的办法，所以我就决定用代码去实现，把表格、表名等一些有效数据构成对象，有了一个对象就好写sql了。

 

首先，我在百度上搜索，发现这个chm帮助文档能被反编译成html，经过一番操作，使用windows自带的工具 hh.exe 就可以实现帮助文档的反编译。运行cmd，直接输入命令就行，具体命令是这样：

 

hh -decompile d:\test\help help.chm

 

d:\test\help是反编译后的目录。

 

反编译之后，就会得到具体的html文档，和js、css,长这样：

test目录是我自己建的。

 

后面就是查看html源码，分析出关键信息的xPath路径该怎么写，因为这里我用到了.net的一款工具专门对html操作的，叫做：HtmlAgilityPack，我的翻译是：html敏捷开发包，写xpath比写正则来的容易，这个包能很好的操作html的节点，获取html、innertext、属性。

 

贴上我的关键方法：

public TableInfo GetTableInfo()
        {
            TableInfo tab = new TableInfo();
            HtmlDocument doc = new HtmlDocument();
            doc.Load(FullPathName, Encoding.GetEncoding("gb2312"), true);

            if (doc == null)
            {
                throw  new NullReferenceException(FullPathName + "\r\n没有加载出文档");
            }
            string pathGetTableName = "/html/head/title";
            string pathGetTableDesc = "/div/p";
            String pathGetTd = "/div/table/tr";
            var nodeTitle=doc.DocumentNode.SelectSingleNode(pathGetTableName);
            if (null != nodeTitle)
            {
                tab.TableName = nodeTitle.InnerText.Split(new char[1] { ' '})[0].Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");

            }

            var nodeBody = doc.GetElementbyId("pagebody");
            var str = nodeBody.OuterHtml;
            var doc1 = new HtmlDocument();
            doc1.LoadHtml(str);
            var nodeDesc = doc1.DocumentNode.SelectSingleNode(pathGetTableDesc);
            if (null != nodeDesc)
            {
                tab.tableDescription = nodeDesc.InnerText.Split(new char[1] { ' ' })[0].Replace("\r","").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");

            }

            var nodesTr = doc1.DocumentNode.SelectNodes(pathGetTd);
            if (nodesTr == null)
            {
                return tab;
            }

            List<TabFieldInfo> lists = new List<TabFieldInfo>();

            for (var i = 1; i < nodesTr.Count(); i++)
            {
                var childs = nodesTr[i].ChildNodes;

                if (childs == null)
                {
                    continue;
                }
                TabFieldInfo fi = new TabFieldInfo();
                if (childs.Count <= 5)
                {
                    continue;
                }
                fi.ColumnName = childs[1].ChildNodes[1].InnerText.Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");
                fi.Description = childs[2].InnerText.Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");
                fi.Datatype = childs[3].InnerText.Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");
                fi.Length = childs[4].InnerText.Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");
                fi.AllowNulls = childs[5].InnerText.Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");

                lists.Add(fi);
            }
            tab.fields = lists;

            return tab;
        }

这里还出现一个问题，“指定的路径不合法”,原因是，我直接点击文件右键-》属性-》安全 把那里的文件路经复制到代码上去了，其实这样复制，会造成路径字符串最开始的地方有个特殊字符，在vs里是隐藏的，后来我就复制地址栏上的路径，就没问题了。

 

最后，需要完善的是，通过读取目录，把目录中的所有html结尾的文件遍历，并过滤出需要的表，在构建对象。