使用 Agility 进行 Html 解析

Question

有人可以帮助解决在 C# 中通过 Agility 解析 Html 的顺序标签的问题吗？我有 2 个问题，如下所列。

在这种情况下，我想解析 Html 并将它们存储到一个结构（列表、堆栈等）中，以便我可以有效地使用这些数据。

<h3> header </h3>
<p> paragraph 1</p>
<p>
<a href="www.google.com">Google</a>
<a href="www.gizmodo.com">Gizmodo</a>
</p>
<ul> 
<li> something is here with a download
<a href="www.google.com">link</a>
</li>
<li> hello 
<img src="www.imagesource.com"/>
</li>
</ul>

1. 如何按顺序解析这些数据？

   如果我使用var ParaTags = HtmlDocument.DocumentNode.Descendants("p");， 那么我只能得到所有的“p”标签。但我不知道如何依次获取“h3”和“p”，因为“p”不在“h3”内。

以下代码将返回所有超链接，

var links =
    from paras in document.DocumentNode.Descendants("p")
    from hyperLinks in paras.Descendants("a").Where(x => x.Attributes["href"].Value != "")
    select hyperLinks;

1. 用字符串、超链接和图像解析和存储这些混合内容的最佳方法是什么？ 所以我可以稍后以有效的方式输出它们？列表，堆栈？ 换句话说，我想从 html 中存储所有可能的内容，并尽可能保留其格式。因此，一旦我将内容重新加载到应用程序上，我就可以以正确的格式模拟内容。

谢谢！

Answer 1

如果你想提取所有href 和src 属性，你可以试试这个：

using System;
using System.Linq;
using HtmlAgilityPack;

public class Program
{
    static void Main()
    {
        var document = new HtmlDocument();
        document.Load("test.html");
        var links =
            from element in document.DocumentNode.Descendants()
            let href = element.Attributes["href"]
            let src = element.Attributes["src"]
            where href != null || src != null
            select href != null ? href.Value : src.Value;

        foreach (var link in links)
        {
            Console.WriteLine(link);
        }
    }
}

输出：

www.google.com
www.gizmodo.com
www.google.com
www.imagesource.com