[c#] Html Agility Pack 解析HTML

摘要

在开发过程中，很有可能会遇到这样的情况，服务端返回的是html的内容，但需要在客户端显示纯文本内容，这时候就需要解析这些html，拿到里面的纯文本。达到这样的目的可以有很多途径，比如自己写正则表达式，但对于没有什么规则的内容，就有点力不从心了。Html Agility Pack开源组件，可以通过xPath的方式快速的解析html内容。

一个例子

组件网址：http://htmlagilitypack.codeplex.com/ ，你可以通过Nuget进行安装。

比如我们这里解析博客园首页文章列表，查看博客园首页列表html，如图所示：

抓取所有文章的名称

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using HtmlAgilityPack;
namespace HtmlAgilityPackDemo
{
    class Program
    {
        static void Main(string[] args)
        {
            //初始化网络请求客户端
            HtmlWeb webClient = new HtmlWeb();
            //初始化文档
            HtmlDocument doc = webClient.Load("http://www.cnblogs.com/");
            //查找节点
            HtmlNodeCollection titleNodes = doc.DocumentNode.SelectNodes("//a[@class='titlelnk']");
            if (titleNodes != null)
            {
                foreach (var item in titleNodes)
                {
                    Console.WriteLine(item.InnerText);
                }
            }
            Console.Read();

        }
    }
}

输出

记得之前自己写过一个小工具，当时还是自己写的正则来匹配的，和这个组件相比确实很麻烦。

在上面的代码中，有[@class='xxx']的设置，它是根据html标签的属性查找node，当然你也可以进行其它的设置，如根据id查找，你可以这样写h3[@id='xxxx']。

获取节点的内容，可以通过下面的方式获取

node.InnerText
node.InnerHtml
node.OuterHtml