c#项目中到Html怎么利用HtmlAgilityPack进行解析-创新互联

var doc = new HtmlDocument();
//直接通过url加载
doc = new HtmlWeb().Load("https://www.baidu.com/");
//通过字符串加载
doc.LoadHtml(result);
//通过html文件加载 可指定编码方式
doc.Load(@"c://index.html",Encoding.UTF8)

var node = doc.DocumentNode;

//选择不包含class属性的div节点
var result = node.SelectNodes(".//div[not(@class)]");

//选择不包含class和id属性的div节点
var result = node.SelectNodes(".//div[not(@class) and not(@id)]");

//选择class中包含"expire"的span节点
var result = node.SelectNodes(".//span[contains(@class,'expire')]");

//选择class中不包含"expire"的span节点
var result = node.SelectNodes(".//span[not(contains(@class,'expire'))]");

//选择class="expire"的span节点
var result = node.SelectNodes(".//span[@class='expire']");

//选择id="expire"的div节点下第一个div节点
var result = node.SelectSingleNode(".//div[@id='expire']/div[1]");

  

   傅小灰
  

以上面的Html为例

var node= doc.DocumentNode.SelectSingleNode("//div[@id='title'/p]");

node.OuterHtml; //返回结果：
傅小灰

node.InnerHtml; //返回结果：傅小灰

node.InnerText; //返回结果：傅小灰

3. 获取/修改节点属性值

以上面的Html举例,我们获取到了a标签为node节点。我们想要获取a标签指向的链接地址，并修改为我们设定的地址。这里以href属性举例，同样可以用在class/src/id等属性上。

var node= doc.DocumentNode.SelectSingleNode("//div[@id='title'/p/a]");

//第二个参数为找不到对应属性时返回的默认值
var url = node.GetAttributeValue("href", "");//返回结果：/tupian/20230522/

//设置属性值
node.SetAttributeValue("href", "http://www.cplemom.com/");

//获取所有属性值
var list = node.Attributes.ToList();

4. 删除/替换节点

继续以上面的Html举例,我们获取到了a标签为node节点。
对于我们不需要的内容，我们只需要调用节点Remove方法即可。

var node= doc.DocumentNode.SelectSingleNode("//div[@id='title'/p/a]");

node.Remove();//删除节点

一个很常见的场景就是我们需要移除a标签，但是要在html上下文中保留a标签的文本。
PS : a标签内的文本在HtmlDocument中其实是一个text类型的node节点。所以我们可以通过删除a标签，保留text标签的方式来完成目标。

node.ParentNode.RemoveChild(node,true);

true表示留下a标签的子节点只删除a标签，在这里就表示保留下“傅小灰”text节点; false表示将此结点连同所有子节点一起删除。

换个角度思考下，当前node节点代表的是单个a标签，那么如果p标签下存在多个a标签需要处理，或者node节点指向的就是p标签呢？当然，我们可以通过获取所有a标签然后循环处理的方式来实现，但是还有没有别的更好的处理方式呢？

这里提供一个思路，获取所有的文本内容，新建为一个text节点，然后替换掉当前节点。

node.ParentNode.ReplaceChild(HtmlNode.CreateNode(item.InnerText), node);

几个常见使用场景和解决方案

1. 获取所有的img标签

//通过Descendants获取所有的子后代节点中的img标签
var list = node.Descendants("img");


//通过Xpath匹配获取所有img标签
var list = node.SelectNodes("//img");

2. 通过url访问时需要携带cookie等验证信息

有些页面需要携带验证信息才能访问，比如用户中心，订单列表等，这时候直接通过HtmlWeb类获取html会被拒绝。有个简单的方式就是通过HttpClient请求到对应的html内容，再使用HtmlDocument加载。其实HtmlWeb说白了也是封装的HttpWebRequest进行网络请求的，所以暴露一个委托给外部用以修改请求上下文。

var web = new HtmlWeb();
web.PreRequest = new HtmlWeb.PreRequestHandler(GetRequest);
var node = web.Load("https://www.cplemom.com/");

public static bool GetRequest(HttpWebRequest req)
{
  req.Headers.Add("Host", "www.cplemom.com");
	req.Headers.Add("Cookie", "xxxxxxxxxxxxx");
  return true;
}

关于c#项目中到Html怎么利用HtmlAgilityPack进行解析就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。