使用HtmlParser解析HTML

 

使用HtmlParser解析HTML

如果要对HTML进行解析,提取HTML的数据或者修改HTML数据, HtmlParser是一个不错的选择.
使用HtmlParser可以解析本地和网络上的HTML数据:

Parser parser  =   new  Parser(  new  Winista.Text.HtmlParser.Http.HttpProtocol( new  Uri( " uriString ") ));

Parser parser  =   new  Parser(  new  Winista.Text.HtmlParser.Lex.Lexer(  " HtmlString "  ) );

System.IO.Stream stream  =   new  System.IO.FileStream(  " filePath "  , System.IO.FileMode.Open );
Parser parser  =   new  Parser(  new  Winista.Text.HtmlParser.Lex.Lexer(  new  Winista.Text.HtmlParser.Lex.Page( stream , " charSet " ) ) );

还可以分析某些特定节点的数据,使用 NodeClassFilter 指定要分析的节点类型:

NodeFilter filter  =   new  NodeClassFilter(  typeof ( Winista.Text.HtmlParser.Tags.Div ) );

使用Parser实例的Parse方法可以获得节点数组

NodeList nodeList  =  parser.Parse(  null  );

NodeList nodeList  =  parser.Parse( filter);

现在分析一下的一段HTML:

< div  class ="divCss"  id ="div_1" >
     < div  name ="div"  class ="divCss"  id ="div_2" > div_2 </ div >
     < table  name ="table"  id ="table_1" >
         < tr >
             < td > HtmlParser </ td >
             < td >< div  id ="div_3" >< font  color ="red" > HtmlParser </ font ></ div ></ td >
         </ tr >
     </ table >
</ div >

txtResult是显示分析处理后的数据,txtSource是读取HTML数据的文本框

// 记录个节点的起始位置,避免重复处理
    IList < int >  start  =   new  List < int > ( );
     protected   void  Button1_Click (  object  sender , EventArgs e )
     {
        this.txtResult.Text = string.Empty;
        Lexer lexer = new Lexer( this.txtSource.Text );
        Parser parser = new Parser( lexer );
        NodeFilter filter = new NodeClassFilter( typeof( Winista.Text.HtmlParser.Tags.Div ) );
        NodeList nodeList = parser.Parse( null );
        if ( nodeList.Count == 0 )
            txtResult.Text = "没有符合要求的节点";
        else
        {
            for ( int i = 0 ; i < nodeList.Count ; i++ )
            {
                paserData( nodeList[i] );
            }
        }
    }
     private  ITag getTag ( INode node )
     {
        if ( node == null )
            return null;
       return  node is ITag  ? node as ITag :  null;
    }

     private   void  paserData ( INode node)
     {
        ITag tag = getTag( node );
        if ( tag != null && !tag.IsEndTag( ) && !start.Contains(tag.StartPosition))
        {
            object oId = tag.GetAttribute( "ID" );
            object oName = tag.GetAttribute( "name" );
            object oClass = tag.GetAttribute( "class" );
            this.txtResult.Text += tag.TagName + ":\r\nID:" + oId + " Name:" + oName
                   + " Class:" + oClass + " StartPosition:" + tag.StartPosition.ToString( ) + "\r\n";
            start.Add( tag.StartPosition );
        }
        //子节点
        if ( node.Children != null && node.Children.Count > 0 )
        {
            paserData( node.FirstChild );
        }
        //兄弟节点
        INode siblingNode = node.NextSibling;
        while ( siblingNode != null )
        {
            paserData( siblingNode );
            siblingNode = siblingNode.NextSibling;
        }
    }

txtResult显示的数据为：

DIV:
ID:div_1 Name: Class:divCss StartPosition:0
DIV:
ID:div_2 Name:div Class:divCss StartPosition:34
TABLE:
ID:table_1 Name:table Class: StartPosition:90
TR:
ID: Name: Class: StartPosition:127
TD:
ID: Name: Class: StartPosition:136
TD:
ID: Name: Class: StartPosition:160
DIV:
ID:div_3 Name: Class: StartPosition:164
FONT:
ID: Name: Class: StartPosition:180

HtmlParser将我们指定的数据给分析出来了,现在来对要分析的数据进行一些修改:给没有name和class属性的指定属性:

           object  oId  =  tag.GetAttribute(  " ID "  );
             object  oName  =  tag.GetAttribute(  " name "  );
             object  oClass  =  tag.GetAttribute(  " class "  );

             if  ( oName  ==   null  )
             {
                oName = "name";
                tag.SetAttribute( "name" , oName.ToString( ) );
            }
             if  ( oClass  ==   null  )
             {
                oClass = "class";
                tag.SetAttribute( "name" , oClass.ToString( ) );
            }
             this .txtResult.Text  +=  tag.TagName  +   " :\r\nID: "   +  oId  +   "  Name: "   +  oName
                    +   "  Class: "   +  oClass  +   "  StartPosition: "   +  tag.StartPosition.ToString( )  +   " \r\n " ;
            start.Add( tag.StartPosition );

txtResult显示的数据为：

DIV:
ID:div_1 Name:name Class:divCss StartPosition:0
DIV:
ID:div_2 Name:div Class:divCss StartPosition:34
TABLE:
ID:table_1 Name:table Class:class StartPosition:90
TR:
ID: Name:name Class:class StartPosition:127
TD:
ID: Name:name Class:class StartPosition:136
TD:
ID: Name:name Class:class StartPosition:160
DIV:
ID:div_3 Name:name Class:class StartPosition:164
FONT:
ID: Name:name Class:class StartPosition:180

HtmlParser实现了我们的目的,现在在给节点为DIV并且ID为div_3的节点添加一个子节点:

            object  oId  =  tag.GetAttribute(  " ID "  );
             object  oName  =  tag.GetAttribute(  " name "  );
             object  oClass  =  tag.GetAttribute(  " class "  );
             if  ( tag.TagName  ==   " DIV "   &&  tag.GetAttribute(  " ID "  )  ==   " div_3 "  )
             {
                INode newNode = new TextNode( "add a new node" );
                tag.Children.Add( newNode );
            }
             this .txtResult.Text  +=  tag.TagName  +   " :\r\nID: "   +  oId  +   "  Name: "   +  oName
                    +   "  Class: "   +  oClass  +   "  StartPosition: "   +  tag.StartPosition.ToString( )  +   " \r\n " ;

输出nodeList[0].ToHtml( ):

< div  class ="divCss"  id ="div_1" >
     < div  name ="div"  class ="divCss"  id ="div_2" > div_2 </ div >
     < table  name ="table"  id ="table_1" >
         < tr >
             < td > HtmlParser </ td >
             < td >< div  id ="div_3" >< font  color ="red" > HtmlParser </ font > add a new node </ div ></ td >
         </ tr >
     </ table >
</ div >

id为div_3的div节点后面加上了要添加的数据.