Windows 8 运行时/应用商店应用程序中的 HTML 处理

Question

我有一个包含 HTML 的string，我需要在 Windows 8 应用商店应用程序中解析它。 System.Windows.Forms.HtmlDocument 不适用于商店应用。我只需要提取一些页面链接、图片链接和一些文本内容。

我想我可以使用正则表达式来获得快速而肮脏的解决方案，但必须有更好的方法。解析应该是健壮的，即使 HTML 略有损坏或不标准，也不会拒绝整个字符串。谷歌搜索提供了一些替代方案，但我发现结果没有定论，并希望从实际这样做的人那里得到一个直接的答案（或答案列表）。一些代码会很好，或者只是一个链接到 SO 回答的好代码。

一些代码说明：

public async void doSomeHtmlStuff(string url) {
    System.Net.Http.HttpClient client = new HttpClient();
    string html = await client.GetStringAsync(url);

    // parse the html, how? 

    // NOT anything like this, document tree is needed for context
    var links = Regex.Matches(html, "<a\\s*href=.*>.*</a>");
}

Answer 1

虽然它会增加应用程序的开销，但我建议您尽可能将 HTML 加载到 WebView 中，并通过 InvokeScript (docs) 方法使用 DOM 访问来访问 DOM并进行任何必要的搜索。 IE 的 HTML 解析器具有容错性，几乎可以处理你扔给它的任何 HTML。

如果需要，您可以使用 NavigateToString (docs) 加载 HTML。

我建议使用这种技术的原因是，鉴于 HTML5 不需要格式正确（如 XHTML），您可能会遇到各种奇怪的情况，这些情况会使可靠地解析 DOM 变得非常具有挑战性，尤其是当您需要将 DOM 的结构保留为搜索的一部分时。

我（或我所在的团队）过去曾为 C# 使用过一些 DOM 解析库，但发现它们都缺乏健壮性。如果您正在解析一组非常固定的 HTML，您可能会发现其中一个很有帮助。

直到最近，Google 才宣布发布他们的 Gumbo 库，这是一个纯 HTML 5 解析器，用 C 编写（当然对您没有帮助）。