首頁 > 其他

一款很不錯的html轉xml工具-Html Agility Pack

來源：互聯網
上載者：User
創建阿里雲帳戶，並獲得超過 40 款產品的免費試用版；而企業帳戶則可以享有總值 $1200 的免費試用版。立即註冊！

　　之前發個一篇關於實現html轉成xml的劣作《實現html轉Xml》，受到不少網友的關心。該實現方法是藉助htmlparser去分解html內容，然後按照dom的結構逐個產生xml字串。在沒有充分實踐後，還以為該方案能解決問題。然而經過實際使用，效率確實很低，而且對一些特殊html屬性的轉換也不支援，得到的結果差強人意。

　　偶然一次機會在瀏覽codeplex網站時，發現一款很不錯的html解析以及轉換工具，就是本篇標題所提到的Html Agility Pack。Html Agility Pack是codeplex裡的一款開源架構，其主要功能是利用物件模型去操作html內容，能夠把xpath等xml方面的技術簡單、靈活地應用在html文檔解析中。正如其介紹所說的那樣，該架構非常適合用於開發爬蟲，網路資料採礦工具。更重要的是該架構完全由c#語言編寫，便於對架構的修改和深入的研究。

　　下面來看看如何將html轉換成xml格式

　　首先建立一個HtmlDocument對象(該HtmlDocument是Html Agility Pack中的類，並不是winform裡的那個)，所有的對html的操作都通過這個對象實現。

HtmlDocument htmlDoc = new HtmlDocument();

接著設定輸出成xml的一些選項

//輸出成xml格式
htmlDoc.OptionOutputAsXml = true;

載入html字串內容，同時輸出轉換結果

// 載入html內容
htmlDoc.LoadHtml(@"<html><body>
<table>
         <tr>
         <td>dafd</td>
         <td>
         </tr>
  </table>
</body></html>");

 // 將輸出結果儲存到字串流中
  StringBuilder sbXml = new StringBuilder();
  StringWriter sw = new StringWriter(sbXml);
  htmlDoc.Save(sw);

 Console.WriteLine(sbXml.ToString());

提供的html內容並不是良好格式的xml，轉換之後的結果:

<?xml version="1.0" encoding="gb2312"?>
<html>
<body>
                <table>
                    <tr>
                        <td>dafd</td>
                        <td></td>
                    </tr>
                </table>
</body>
</html>

轉換之後，自動修複了沒有匹配標記，並且加上了xml的聲明。

另外在使用的時候，如果給定的html文檔內容沒有根節點，那麼轉換之後會自動添加一個名稱為span的根節點。

比如輸入的html文檔如下：

<script>var b ='b';</script>
<html><body>
                <table>
                    <tr>
                        <td>dafd</td>
                        <td>
                    </tr>
                </table>
                </body>
</html>

轉換結果如下：

<?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>

這種方式保證了轉換時的安全，是否使用還是看具體的項目要求。

　　以上方式是給定了已有的html字串，還有另外一種更加方便的方式，那就是直接給出url路徑，利用HtmlWeb就能包辦下載以及轉換的功能。實現方式如下：

            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());

以上方式雖然方便，但是有一個不穩定的因素是：下載過來的html文檔很有可能是亂碼，並確實存在這種情況，為了更好的使用，我修改了下原始碼，讓其在下載的時候就能自動判斷編碼方式。

　　Html Agility Pack的效率比htmlparser有了很大的提升。但是在處理一些超大頁面時，還是要有一些等待。另外還有一個美中不足的是，轉換的結果還是不能100%地符合表中html格式的內容，只能說是95%地接近，比起firebug的html解析功能還差的遠。

 

Html Agility Pack的下載連結

http://htmlagilitypack.codeplex.com/ 

修改過的dll(修複文檔下載後亂碼的問題)

 HtmlAgilityPack_Shenba

 

 

 

 

 

 

 

本文章原先以中文撰寫並發佈於 aliyun.com，亦設英文版本，僅作資訊用途。本網站不對文章的準確性，完整性或可靠性或其任何翻譯作出任何明示或暗示的陳述或保證。如對該文章有任何疑慮或投訴，請傳送電郵至 info-contact@alibabacloud.com 並提供相關疑慮或投訴的詳細說明。職員會於 5 個工作天內與您聯絡，一經驗證之後，即會刪除該侵權內容。

聯繫我們

該頁面正文內容均來源於網絡整理，並不代表阿里雲官方的觀點，該頁面所提到的產品和服務也與阿里云無關，如果該頁面內容對您造成了困擾，歡迎寫郵件給我們，收到郵件我們將在5個工作日內處理。

如果您發現本社區中有涉嫌抄襲的內容，歡迎發送郵件至： info-contact@alibabacloud.com 進行舉報並提供相關證據，工作人員會在 5 個工作天內聯絡您，一經查實，本站將立刻刪除涉嫌侵權內容。

A Free Trial That Lets You Build Big!

Start building with 50+ products and up to 12 months usage for Elastic Compute Service

Get Started for Free

  • Sales Support

    1 on 1 presale consultation

    Chat Contact Sales

  • After-Sales Support

    24/7 Technical Support 6 Free Tickets per Quarter Faster Response

    Open a Ticket

  • Alibaba Cloud offers highly flexible support services tailored to meet your exact needs.

    Learn More