爬蟲技術（六）-- 使用HtmlAgilityPack擷取頁面連結（附c#代碼及外掛程式下載）

標籤：des   c   style   class   blog   code   

菜鳥HtmlAgilityPack初體驗。。。弱弱的代碼。。。

Html Agility Pack是一個開源項目，為網頁提供了標準的DOM API和XPath導航。使用WebBrowser和HttpWebRequest下載的網頁可以用Html Agility Pack來解析。

HtmlAgilityPack的文檔是CHM格式的，有時會無法正常閱讀CHM格式的檔案。如果是IE不能連結到您請求的網頁或者開啟後“頁面無法顯示”。請在要開啟的CHM檔案上右擊屬性，會在底下屬性多了個“解除鎖定”，單擊後就可以正常顯示了。 

如果有需要下載，請點擊HtmlAgilityPack.1.4.0下載，解壓後找到HtmlAgilityPack.dll，把它添加到項目中。

HtmlAgilityPack.dll中的類都位於HtmlAgilityPack命名空間。

HtmlDocument表示一個完整的HTML文檔。用Load方法載入網頁。

下面進行HtmlAgilityPack初體驗，

實現目標：，點擊按鈕後，根據給定的網址，列印出該頁面的所有連結。簡單代碼如下：

 1 using System; 2 using System.Collections.Generic; 3 using System.ComponentModel; 4 using System.Data; 5 using System.Drawing; 6 using System.Linq; 7 using System.Text; 8 using System.Windows.Forms; 9 using HtmlAgilityPack;10 11 namespace HtmlAgilityPackDemo112 {13     public partial class Form1 : Form14     {15         public Form1()16         {17             InitializeComponent();18         }19 20         private void Form1_Load(object sender, EventArgs e)21         {22 23         }24 25         private void button1_Click(object sender, EventArgs e)26         {27             HtmlWeb webClient = new HtmlWeb();28             HtmlAgilityPack.HtmlDocument doc = webClient.Load("http://www.cnblogs.com/lmei");29 30             HtmlNodeCollection hrefList = doc.DocumentNode.SelectNodes(".//a[@href]");31 32             if (hrefList != null)33             {34                 foreach (HtmlNode href in hrefList)35                 {36                     HtmlAttribute att = href.Attributes["href"];37                    Console.WriteLine(att.Value);38 39                 }40 41             }42 43         }44     }45 }

當上面第28行代碼寫成如下，

HtmlDocument doc = webClient.Load("http://www.cnblogs.com/lmei");

會出現錯誤提示，

於是修改如下，

HtmlAgilityPack.HtmlDocument doc = webClient.Load("http://www.cnblogs.com/lmei");

 

接下來，看下控制台的輸出，如下：

可見，網頁上面的超連結都被列印出來了。。。

當然，如果想要抓取的是網頁上面的本文，載入後可能出現亂碼問題，則可以指定檔案的編碼：

HtmlAgilityPack.HtmlDocument htmlDoc = new HtmlAgilityPack.HtmlDocument();
Encoding encoder = Encoding.GetEncoding("utf-8");htmlDoc.Load("http://www.cnblogs.com/lmei/p/3485649.html", encoder);