如何解析包含多个标签的html节点？

Posted 2023-03-05

【中文标题】如何解析包含多个标签的html节点？

【英文标题】：How to parse an html node containing multiple tags?

【发布时间】：2022-01-09 03:59:29

【问题描述】：

我能够到达我想要提取的节点，但不知道如何在节点中分隔不同的标签。

附言我对正则表达式没意见；只是好奇是否存在使用 html Agility Pack 的更简单方法。

代码：

...
...
HtmlNodeCollection nodes = webContent.DocumentNode.SelectNodes("//*[@id='node-name']/ul/li");

foreach (HtmlNode node in nodes) 
    String link = ???; // extract the http link here (href)
    String text = ???; // extract the inner text here
    String nums = ???; // extract the content of <small> tag here
    ...

html 示例：

...
...
<ul class="some-class-name">
  <li>
    <a href="http://link-1.com">text for link 1<small>1</small></a>
  </li>
  <li>
    <a href="http://link-2.org">text for link 2<small>2</small></a>
  </li>
  <li>
    <a href="http://link-3.net">text for link 3<small>3</small></a>
  </li>
</ul>
...
...

【问题讨论】：

你使用HtmlAgilityPack（它现在有点……死了）而不是像 AngleSharp 这样更现代的库有什么原因吗？

哇，我上次使用AngleSharp（现在是几年前）它正在使用HtmlAgilityPack。这不似乎不再是这种情况了。向AngleSharp 小组致敬，感谢@Dai 揭露这一点。

@Dai：你确定这些天是这样吗？几年前确实如此，当我们切换到 AngleSharp 时......但它已经过改造并且看起来很活跃：1 和 2

【参考方案1】：

您可以使用原生 API 中的元素或后代。 请记住，您可以使用诸如 this 之类的扩展来启用 css 选择器查询，据我了解，这是首选（也是最简单）的方式。

遵循代码sn-p：

    //https://***.com/q/70203208/1219280
    var doc = new HtmlDocument();
    doc.LoadHtml(@"
        <ul class='some -class-name'>
          <li>
            <a href = 'http://link-1.com' > text for link 1<small>1</small></a>
          </li>
          <li>
            <a href = 'http://link-2.org' > text for link 2<small>2</small></a>
          </li>
          <li>
            <a href = 'http://link-3.net' > text for link 3<small>3</small></a>
          </li>
        </ul>
    ");

    Console.WriteLine("-------------------- Using Element(s) -------------------------");

    //using Element(s), queries children in the next level only
    var ul = doc.DocumentNode.Element("ul");
    var lis = ul.Elements("li");
    foreach(var li in lis)
    
        var a = li.Element("a");
        var href = a?.GetAttributeValue("href");
        var smallText = a.Element("small")?.InnerText;

        Console.WriteLine($"a href: [href] small: [smallText]");
    

    Console.WriteLine("-------------------- Using Descendants -------------------------");

    //using Descendants
    var anchors = doc.DocumentNode.Descendants("a");
    foreach(var a in anchors)
    
        var href = a?.GetAttributeValue("href");
        var smallText = a.Element("small")?.InnerText;

        Console.WriteLine($"a href: [href] small: [smallText]");
    

输出：