一款很不错的html转xml工具-Html Agility Pack-白红宇

强烈建议你试试无所不能的chatGPT，快点击我

一款很不错的html转xml工具-Html Agility Pack

阅读量：6161 次

发布时间：2019-06-21

本文共 2087 字，大约阅读时间需要 6 分钟。

　之前发个一篇关于实现html转成xml的劣作，受到不少网友的关心。该实现方法是借助htmlparser去分解html内容，然后按照dom的结构逐个生成xml字符串。在没有充分实践后，还以为该方案能解决问题。然而经过实际使用，效率确实很低，而且对一些特殊html属性的转换也不支持，得到的结果差强人意。

　　偶然一次机会在浏览codeplex网站时，发现一款很不错的html解析以及转换工具，就是本篇标题所提到的Html Agility Pack。Html Agility Pack是codeplex里的一款开源框架，其主要功能是利用对象模型去操作html内容，能够把xpath等xml方面的技术简单、灵活地应用在html文档解析中。正如其介绍所说的那样，该框架非常适合用于开发爬虫，网络数据挖掘工具。更重要的是该框架完全由c#语言编写，便于对框架的修改和深入的研究。

　　下面来看看如何将html转换成xml格式

　　首先创建一个HtmlDocument对象(该HtmlDocument是Html Agility Pack中的类，并不是winform里的那个)，所有的对html的操作都通过这个对象实现。

HtmlDocument htmlDoc = new HtmlDocument();

接着设置输出成xml的一些选项

//输出成xml格式

htmlDoc.OptionOutputAsXml = true;

加载html字符串内容，同时输出转换结果

// 加载html内容

htmlDoc.LoadHtml(@"<html><body>

<table>

<tr>

<td>dafd</td>

<td>

</tr>

</table>

</body></html>");

// 将输出结果保存到字符串流中

StringBuilder sbXml = new StringBuilder();

StringWriter sw = new StringWriter(sbXml);

htmlDoc.Save(sw);

Console.WriteLine(sbXml.ToString());

提供的html内容并不是良好格式的xml，转换之后的结果:

<?xml version="1.0" encoding="gb2312"?>

<html>

<body>

<table>

<tr>

<td>dafd</td>

<td></td>

</tr>

</table>

</body>

</html>

转换之后，自动修复了没有匹配标记，并且加上了xml的声明。

另外在使用的时候，如果给定的html文档内容没有根节点，那么转换之后会自动添加一个名称为span的根节点。

比如输入的html文档如下：

<script>var b ='b';</script>

<html><body>

<table>

<tr>

<td>dafd</td>

<td>

</tr>

</table>

</body>

</html>

转换结果如下：

<?xml version="1.0" encoding="gb2312"?><span><script>

//<![CDATA[

var b ='b';

//]]>//

</script><html><body>

<table>

<tr>

<td>dafd</td>

<td>

</td></tr>

</table>

</body></html></span>

这种方式保证了转换时的安全，是否使用还是看具体的项目要求。

　　以上方式是给定了已有的html字符串，还有另外一种更加方便的方式，那就是直接给出url路径，利用HtmlWeb就能包办下载以及转换的功能。实现方式如下：

StringBuilder sbXml = new StringBuilder();

StringWriter sw = new StringWriter(sbXml);

XmlTextWriter tw = new XmlTextWriter(sw);

HtmlWeb htmlWeb = new HtmlWeb();

htmlWeb.LoadHtmlAsXml("http://htmlagilitypack.codeplex.com/", tw);

Console.WriteLine(sbXml.ToString());

以上方式虽然方便，但是有一个不稳定的因素是：下载过来的html文档很有可能是乱码，并确实存在这种情况，为了更好的使用，我修改了下源代码，让其在下载的时候就能自动判断编码方式。

　　Html Agility Pack的效率比htmlparser有了很大的提升。但是在处理一些超大页面时，还是要有一些等待。另外还有一个美中不足的是，转换的结果还是不能100%地符合表中html格式的内容，只能说是95%地接近，比起firebug的html解析功能还差的远。

Html Agility Pack的下载链接

修改过的dll(修复文档下载后乱码的问题)

转载地址：http://yghfa.baihongyu.com/

你可能感兴趣的文章

怎样关闭“粘滞键”？

[转]React 教程

拓扑排序介绍

eclipse打开工作空间(workspace)没有任务反应

使用Sybmol模块来构建神经网络

字符串去分割符号

WPF中，多key值绑定问题，一个key绑定一个界面上的对象

UML类图简明教程

java反编译工具（Java Decompiler）

Android开发之自定义对话框

微信Access Token 缓存方法

Eclipsed的SVN插件不能识别之前工作空间的项目

Linux 查看iptables状态-重启

amazeui学习笔记一（开始使用2）--布局示例layouts

c#中lock的使用（用于预约超出限额的流程）

ODI基于源表时间戳字段获取增量数据

并发容器之CopyOnWriteArrayList(转载)

什么是AAC音频格式 AAC-LC 和 AAC-HE的区别是什么

原创:goldengate从11.2升级到12.1.2

喝酒易醉，品茶养心，人生如梦，品茶悟道，何以解忧？唯有杜康！-- 愿君每日到此一游！

当前时间: 2025-01-06 18:39:04 当前IP: 3.147.60.193 联系邮箱:javaeecc@qq.com Copyright © 2020 - 2022 baihongyu.com 京ICP备2021015314号-2

强烈建议你试试无所不能的CHAT-GPT，快点击我

强烈建议你试试无所不能的CHAT-GPT，快点击我