【转】 HtmlAgilityPack使用——XPath注意事项

在使用HtmlAgilityPack这个开源的类库进行网页内容解析的时候是非常的方便（使用方法见另一篇博客《HTML解析：基于XPath的C#类库HtmlAgiliytyPack》），其基于XPath路径语法进行高效的选择文档节点，当发起请求获取了网页html文件的时候，解析的大部分工作量就落到了XPath路径表达式的书写了。本文测试在VS2010开发环境，.NetFramework
4.0 C#语言，使用的html如下：

<html xmlns="http://www.w3.org/1999/xhtml" lang="en" xml:lang="en">

   <head>

 	<title>test</title>

   </head>

   <body>

     	<div id="content">

            <div>

				<a href="http://www.google.com">google</a>

				<div>gmail</div>

				<div>google earth</div>

            </div>

			<div>

				<a href="http://www.baidu.com">baidu</a>

			</div>

			<div>

				<a href="http://www.tmall.com">tmall</a>

			</div>

		</div>

   </body>

 </html>

1、HtmlAgilityPack节点类型

在使用XPath表达式选择文档特定节点的时候，我发现有时候按照上下文写出的路径表达式就是失效，或者选择出错到了错误的内容，或者由于SelectSingleNode或者SelectNodes这个两个函数使用相应的XPath表达式查询的时候找不到结果而跑出异常。后来发现，HtmlAgilityPack对节点的选择严格按照XPath的规范来实现，XPath规范中严格定义了七种类型的节点（http://www.w3school.com.cn/xpath/xpath_nodes.asp）：元素（Element），属性（Attribute），文本（Test），命名空间，处理指令，注释，文档根节点。基本值是无父或无子的节点，项目（Item）是基本值或者节点，然后又父子、同胞、先辈和后辈这些关系。HtmlAgilityPack的每个HtmlNode对象就封装好了上述所有规范定义的项目，下图是一个节点对象包含的内容。

正是因为如此，在书写XPath路径表达式的时候需要考虑到HtmlAgilityPack将text也作为了一个node，因此对于我们一般意义上看到的html结构就要多考虑一次text节点，空的文本节点也算再内，这在javascript的IE下的一个特例就是如此，为此需要特别为IE浏览器而书写兼容的js代码。使用如下的C#代码输出的是空字符串，也就是空的text节点。

    HtmlDocument doc = new HtmlDocument();

            doc.Load(@"C:\test.html");

            HtmlNode main = doc.GetElementbyId("content");

            HtmlNode child = main.FirstChild;

            Console.WriteLine(child.InnerText);

以上结果输出为空：

这也就验证了，选取的为id为content的div节点的FirstChild节点是空的文本节点。因此对于FirstChild、LastChild、NextSibling、PrevSibling等关系表示的节点需要慎用，需要考虑空的text节点。

2、深刻理解“//”和“./”

XPath路径表达式中最关键的选择如下

表达式 描述
nodename 选取此节点的所有子节点。
/ 从根节点选取。
// 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
. 选取当前节点。
.. 选取当前节点的父节点。
@ 选取属性。

这也是书写路径表达式的基础，其中对于选择了一个节点之后，使用“//”和“./”这个两个语法总是会让人迷惑。本文实际测试了两者的区别。

  • “//”：从当前选择的节点开始寻找，对于后面的表达式是在当前节点中的任意位置寻找，只要符合的就加入到选择结果中。
  • “./”：也是从当前选择的节点开始选择，但是仅仅是寻找当前节点的直系子元素，而对于孙子及以后的节点都不考虑。
区别使用了如下的测试代码：
            HtmlDocument doc = new HtmlDocument();

            doc.Load(@"C:\test.html");

            HtmlNode main = doc.GetElementbyId("content");

            HtmlNodeCollection nodes = main.SelectNodes("./div");

            foreach (HtmlNode node in nodes)

            {

                Console.WriteLine("=============start=============");

                Console.WriteLine(node.InnerText);

                Console.WriteLine("=============end===============");

            }

上面输入结果如下：


使用如下代码继续测试：
            HtmlDocument doc = new HtmlDocument();

            doc.Load(@"C:\test.html");

            HtmlNode main = doc.GetElementbyId("content");

            HtmlNodeCollection nodes = main.SelectNodes("//div");

            foreach (HtmlNode node in nodes)

            {

                Console.WriteLine("=============start=============");

                Console.WriteLine(node.InnerText);

                Console.WriteLine("=============end===============");

            }


通过以上测试可以看出，根据路径表达式进行选择的时候需要进行特别区分出上述两者的区别，这样才能兼顾取得的结果是准确无误的。

            HtmlDocument doc = new HtmlDocument();

            doc.Load(@"C:\test.html");

            HtmlNode main = doc.GetElementbyId("content");

            HtmlNode node1 = main.SelectSingleNode("//div[1]/div[2]");

            HtmlNode node2 = main.SelectSingleNode("./div[1]/div[2]");

            Console.WriteLine(node1.InnerText);

            Console.WriteLine(node2.InnerText);

上述结果可以看出根据路径表达式选择的时候结果可能是一样的，因此需要依据具体情况对待。

以上是本人使用HtmlAgilityPack解析html过程中书写XPath表达式得出的一些认识，希望供有用过的朋友可以一起探讨交流。

【转】 HtmlAgilityPack使用——XPath注意事项的更多相关文章

  1. C#+HtmlAgilityPack+XPath带你采集数据(以采集天气数据为例子)

    第一次接触HtmlAgilityPack是在5年前,一些意外,让我从技术部门临时调到销售部门,负责建立一些流程和寻找潜在客户,最后在阿里巴巴找到了很多客户信息,非常全面,刚开始是手动复制到Excel, ...

  2. 网页采集(通过HtmlAgilityPack+XPath)

    有HtmlAgilityPack这个类库可以更方便地对HTML内容进行分析和提取.因此今天特别学习和实践了一下HtmlAgilityPack和XPath,并作下笔记. 1.下载HtmlAgilityP ...

  3. HtmlAgilityPack解析器在WP8.1下报错，不仅如此，社交化分享也报错。

    以前WP7下是用的HtmlAgilityPack和 XPath来解析网页,很好用. 但是在Wp8.1下,这个里面却缺少了一个很重要的方法. HtmlDocument doc = new HtmlDoc ...

  4. C#+HtmlAgilityPack—>糗事百科桌面版V2.0

    最近在浏览以前自己上传的源码,发现在糗事百科桌面端源码评论区中,有人说现在程序不能用了.查看了一下源码运行情况,发现是正则表达式解析问题.由于糗百的网页版链接和网页格式稍有变化,导致解释失败.虽然可以 ...

  5. C#+HtmlAgilityPack

    C#+HtmlAgilityPack—糗事百科桌面版V2.0   最近在浏览以前自己上传的源码,发现在糗事百科桌面端源码评论区中,有人说现在程序不能用了.查看了一下源码运行情况,发现是正则表达式解析问 ...

  6. xpath语法分享

    # xpath语法: ## 使用方式: 使用//获取整个页面当中的元素,然后写标签名,然后再写谓词进行提取.比如: ``` //div[@class='abc'] ``` ## 需要注意的知识点: 1 ...

  7. wIndows phone 7 解析Html数据

    原文:wIndows phone 7 解析Html数据 在我的上一篇文章中我介绍了windows phone 7的gb2312解码, http://www.cnblogs.com/qingci/arc ...

  8. Html Agility Pack - API

    Html Agility Pack - APIParserSelectorsManipulationTraversingWriterUtilitiesAttributes HTML Parser HT ...

  9. C# 获取QQ群数据的实现

    一,分析 1,群数据获取 当访问http://qun.qq.com/air/#mygroup我们通过Fiddler可以查看到QQ群列表是从http://qun.qq.com/air/group/min ...

随机推荐

  1. hiho169周 - 表达式求值

    题目链接 计算表达式100*(2+12)-(20/3)*2 ---------------------------------------------------------------------- ...

  2. UVa 10801 Lift Hopping【floyd 】

    题意:给出n个电梯,每个电梯的运行时间,每个电梯只能在相应的楼层停靠,而且没有楼梯,再给出想去的楼层,问从0层能否到达想去的楼层,求到达的最短时间 建图还是没有建出来--- 因为n<100,可以 ...

  3. 3ds Max实例教程：制作雪的材质

    导言: 本教程为大家讲解使用3ds MAX制作真实的雪材质制作过程,非常简单的教程,但个人觉得讲解的非常好,希望这套比较老的教程能给你带来帮助. 下面教程开始 雪的材质看似简单,其实它的制做并不是想像 ...

  4. Spring Framework 开发参考手册中文(在线HTML)

    https://blog.csdn.net/zfrong/article/details/3971722

  5. linux常用命令技巧

    原文地址 这篇文章来源于Quroa的一个问答<What are some time-saving tips that every Linux user should know?>—— Li ...

  6. Visual Studio 2013 无法创建MVC项目,系统找不到指定的文件.(Exception from HRESULT:08x0070002)

    在Visual Studio 2013中创建新MVC项目,(PS:现在创建个MVC项目,差点都找不到在哪,汗!-) 确定后提示,系统找不到指定的文件.(Exception from HRESULT:0 ...

  7. HTTP——学习笔记（8）

    HTTP中的一些协议内容会限制某些网站的功能使用 比如,Facebook这类的社交网站,需要实时地观察到海量用户公开发布的内容,而HTTP中的以下标准就会成为瓶颈: 一条连接上只可发送一个请求 请求只 ...

  8. 【BZOJ 1150】[CTSC2007]数据备份Backup

    [链接] 我是链接,点我呀:) [题意] 在这里输入题意 [题解] 选择的连接肯定是相邻的点对. 那么我们处理出来长度为n-1的数组a 其中a[i-1] = dis[i]-dis[i-1] 那么问题就 ...

  9. centos7.x86_64搭建饥荒服务器

    http://blog.ttionya.com/article-1233.html 在centos7下找不到 libcurl-gnutls.so.4,而且必须要安装32位的才行 yum install ...

  10. jsp urlrewrite 中正則表達式不包括某个字符串写法

    因在程序中须要做城市间跳转,可是页面中包括的css.scripts和图片等路径是要排除在外的. 这就须要在正则中指定当遇到哪些 字符时须要略过. 正则例如以下: /((? !css)(?!script ...