c# - 阅读 HTML？

Question

我正在用 C# 开发一个程序，我需要一些帮助。我正在尝试创建一个显示在某个网站上的数组或项目列表。我要做的是阅读锚文本，它是href。例如，这是 HTML：

<div class="menu-1">
    <div class="items">
        <div class="minor">
            <ul>
                <li class="menu-item">
                    <a class="menu-link" title="Item-1" id="menu-item-1"
                    href="/?item=1">Item 1</a>
                </li>
                <li class="menu-item">
                    <a class="menu-link" title="Item-1" id="menu-item-2"
                    href="/?item=2">Item 2</a>
                </li>
                <li class="menu-item">
                    <a class="menu-link" title="Item-1" id="menu-item-3"
                    href="/?item=3">Item 3</a>
                </li>
                <li class="menu-item">
                    <a class="menu-link" title="Item-1" id="menu-item-4"
                    href="/?item=4">Item 4</a>
                </li>
                <li class="menu-item">
                    <a class="menu-link" title="Item-1" id="menu-item-5"
                    href="/?item=5">Item 5</a>
                </li>
            </ul>
        </div>
    </div>
</div>

所以我想从那个 HTML 中阅读：

string[,] array = {{"Item 1", "/?item=1"}, {"Item 2", "/?item=2"},
    {"Item 3", "/?item=3"}, {"Item 4", "/?item=4"}, {"Item 5", "/?item=5"}};

HTML 是我写的一个例子，实际的网站不是这样的。

Answer 1

如果 HTML 是有效的 XML，您可以使用 XmlDocument 类加载它，然后使用 XPaths 访问您想要的部分，或者您可以按照 Adriano 的建议使用 XmlReader（更多工作）。

如果 HTML 不是有效的 XML，我建议使用一些现有的 HTML 解析器 - 参见例如 this - 这对我们来说没问题。

Answer 2

您也可以使用HtmlAgility 包

Answer 3

我认为这种情况很简单，可以使用正则表达式，比如<a.*title="([^"]*)".*href="([^"]*)"：

string strRegex = @"<a.*title=""([^""]*)"".*href=""([^""]*)""";
RegexOptions myRegexOptions = RegexOptions.None;
Regex myRegex = new Regex(strRegex, myRegexOptions);

string strTargetString = ...;

foreach (Match myMatch in myRegex.Matches(strTargetString))
{
  if (myMatch.Success)
  {
    // Use the groups matched
  }
}

Answer 4

正如其他人所说，HtmlAgilityPack 是 html 解析的最佳选择，也请务必从 HtmlAgilityPack 站点下载 HAP Explorer，使用它来测试您的选择，无论如何，此 SelectNode 命令将获取所有具有 ID 的锚点，并且它以菜单项开头：

  HtmlDocument doc = new HtmlDocument();
  doc.Load(htmlFile);
  var myNodes = doc.DocumentNode.SelectNodes("//a[starts-with(@id,'menu-item-')]");
  foreach (HtmlNode node in myNodes)
  {
    Console.WriteLine(node.Id);

  }