Microsoft的XML大师Chris Lovett发布了一个新的SGML解析器（应该是2008年的版本），叫做SgmlReader（早期的SgmlReader在2006年以前就出了），它可以解析HTML文件，甚至将它们转换成一个格式规范的结构。SgmlReader派生于XmlReader，这就是说，你可以像运用诸如XmlTextReader这样的类来解析XML文件那样来解析HTML文件。

 
将其实际应用的结果如图：
1. 示例网页（我们需要获取的）：
 

 
 
2. 获取<body>内所有标签的值
 
 

 
 
3. 获取<html>内所有alt属性值（图片提示信息）
 

 
 
4. 获取<body>内<div>标签属性id为"frame"下，<div>标签属性id为"bodyArea"，层内所有标签值
 

 
 
5. 以上示例都是获取远端HTML页面（http://172.16.1.5/menu_en.html）源码内容的示例，以下是获取本地HTML内标签值示例。
 
 

  

   
  1. private string GetWellFormedHTMLFile(string filePath, string xpath) 
  2.         { 
  3.             StreamReader sReader = null; 
  4.             StringWriter sw = null; 
  5.             SgmlReader reader = null; 
  6.             XmlTextWriter writer = null; 
  7.             try 
  8.             { 
  9.                 sReader = new StreamReader(filePath); 
  10.                 reader = new SgmlReader(); 
  11.                 reader.DocType = "HTML"; 
  12.                 reader.InputStream = new StringReader(sReader.ReadToEnd()); 
  13.                 sw = new StringWriter(); 
  14.                 writer = new XmlTextWriter(sw); 
  15.                 writer.Formatting = Formatting.Indented; 
  16.                 //writer.WriteStartElement("Test"); 
  17.                 while (reader.Read()) 
  18.                 { 
  19.                     if (reader.NodeType != XmlNodeType.Whitespace) 
  20.                     { 
  21.                         writer.WriteNode(reader, true); 
  22.                     } 
  23.                 } 
  24.                 //writer.WriteEndElement(); 
  25.                 if (xpath == null) 
  26.                 { 
  27.                     return sw.ToString(); 
  28.                 } 
  29.                 else 
  30.                 { //Filter out nodes from HTML 
  31.                     StringBuilder sb = new StringBuilder(); 
  32.                     XPathDocument doc = new XPathDocument(new StringReader(sw.ToString())); 
  33.                     XPathNavigator nav = doc.CreateNavigator(); 
  34.                     XPathNodeIterator nodes = nav.Select(xpath); 
  35.                     while (nodes.MoveNext()) 
  36.                     { 
  37.                         sb.Append(nodes.Current.Value + ((char)13).ToString()); 
  38.                     } 
  39.                     return sb.ToString(); 
  40.                 } 
  41.             } 
  42.             catch (Exception exp) 
  43.             { 
  44.                 writer.Close(); 
  45.                 reader.Close(); 
  46.                 sw.Close(); 
  47.                 sReader.Close(); 
  48.                 return exp.Message; 
  49.             } 
  50.         } 
 
   

     
   
 
   
 
    

     初步总结：
    
 
    

     可以比较方便地根据指定url地址获取我们想要的页面内容，或者获取本地html文件的指定内容。
    
 
    

     可以说已经初步解决基本HTML格式的EnjoyTR 字数统计问题（早期通过正则表达式删除标签的方式不可靠，而且无法将Unit区分），
    
 
    

     EnjoyTR翻译由于没有还原的方法，我现在能想到的，就是原文替换的方式进行翻译（缺点，无法定位，当1个原文有多个译文的时候，无法一一对应）。
    
 
    

      
    
 
    

     还需要研究的是：
    
 
    

     根据图5，
    
 
    

     我们可以看出，当javascript或者vbscript出现在我们需要的标签内时，从语法上是正确的，此时会将其一并获取，因此需要我们对标签进行筛选；
    
 
    

     但，当script中出现实际要显示在页面的内容时，我们可能要对script的内容进行字符串筛选，
    
 
    

     例如：
    
 
    

     <script text='javascript'>
    
 
    

     ****.innerHtml='需要显示在页面上';
    
 
    

     </script>
    
 
    

     或者
    
 
    
 
     

      <script text='javascript'>
     
 
     

      var strDisplay='需要显示在页面上'; //变量
     
 
     

      ****.innerHtml=strDisplay;
     
 
     

      </script>
     
 
    
 
    

      
    
 
    

     字符串：“需要显示在页面上”，也是我们需要获取和翻译的内容。
    
 
    

      
    
 
    

     XPath语法学习：
    
 
     
    

      
    
 
    

     相关参考：