C# - 将 HTML 源解析为 XML

Posted 2023-03-05

【中文标题】C# - 将 HTML 源解析为 XML

【英文标题】：C# - Parse HTML source as XML

【发布时间】：2011-03-02 06:34:36

【问题描述】：

我想读入包含 html 文件的动态 URL，然后像 XML 文件一样读取它，基于节点（HTML 标记）。这有可能吗？

我的意思是，有这个 HTML 代码：

            <table class="bidders" cellpadding="0" cellspacing="0"> 

            <tr class="bidRow4"> 
                <td>kucik (automata)</td> 
                <td class="right">9 374 Ft</td> 
                <td class="bidders_date">2010-06-10 18:19:52</td> 
            </tr> 

            <tr class="bidRow4"> 
                <td>macszaf (automata)</td> 
                <td class="right">9 373 Ft</td> 
                <td class="bidders_date">2010-06-10 18:19:52</td> 
            </tr> 

            <tr class="bidRow2"> 
                <td>kucik (automata)</td> 
                <td class="right">9 372 Ft</td> 
                <td class="bidders_date">2010-06-10 18:19:42</td> 
            </tr> 

            <tr class="bidRow2"> 
                <td>macszaf (automata)</td> 
                <td class="right">9 371 Ft</td> 
                <td class="bidders_date">2010-06-10 18:19:42</td> 
            </tr> 

            <tr class="bidRow0"> 
                <td>kucik (automata)</td> 
                <td class="right">9 370 Ft</td> 
                <td class="bidders_date">2010-06-10 18:19:32</td> 
            </tr> 

            <tr class="bidRow0"> 
                <td>macszaf (automata)</td> 
                <td class="right">9 369 Ft</td> 
                <td class="bidders_date">2010-06-10 18:19:32</td> 
            </tr> 

            <tr class="bidRow8"> 
                <td>kucik (automata)</td> 
                <td class="right">9 368 Ft</td> 
                <td class="bidders_date">2010-06-10 18:19:22</td> 
            </tr> 

            <tr class="bidRow8"> 
                <td>macszaf (automata)</td> 
                <td class="right">9 367 Ft</td> 
                <td class="bidders_date">2010-06-10 18:19:22</td> 
            </tr> 

            <tr class="bidRow6"> 
                <td>kucik (automata)</td> 
                <td class="right">9 366 Ft</td> 
                <td class="bidders_date">2010-06-10 18:19:12</td> 
            </tr> 

            <tr class="bidRow6"> 
                <td>macszaf (automata)</td> 
                <td class="right">9 365 Ft</td> 
                <td class="bidders_date">2010-06-10 18:19:12</td> 
            </tr> 

        </table> 

我想将其解析为 ListView（或 Grid）以创建包含数据的行。所有 tr 都是不同的行，并且给定 td 中的所有 td 都是给定行中的列。

而且我希望它尽可能快，因为它会在 5 秒内自行更新。

有这方面的图书馆吗？

【参考方案1】：

我推荐HTML Agility Pack。您必须自己处理 GUI 部分。它不需要有效的 HTML，但会创建一个类似于 XmlDocument 的 HtmlDocument。

【参考方案2】：

为什么不直接进行字符串替换来将 HTML 表转换为 XML：

   <table class="bidders" cellpadding="0" cellspacing="0">

变成：

   <?xml version="1.0" encoding="UTF-8"?>

和

  <tr class="bidRow4">

变成

  <item>

和

 <td class="right">

变成

 <field1>

等

编辑 1：

我也认为 DataSet 类有一个：

.ReadXML

这样您就可以将数据绑定到该数据集的方法：

    DataSet ds = new DataSet();
    ds.ReadXml("foo.xml");
    DataGrid.DataSource = ds;
    DataGrid.DataBind();

或类似的东西

【讨论】：

我不想转换，因为即使使用 XMLdocument 读取简单的 XML 文档也需要很长时间。

听起来像是您试图从网站上抓取数据，但永远不会有快速的方法来做到这一点。您需要找到另一种获取该数​​据的方法，您对这些数据还有哪些其他访问权限？

只有这个 HTML 页面，因为它是由未知脚本以未知方式从未知数据库呈现的。所以没有更多的访问权限，直到我可以解决这个问题。

DataSet 方法的一个问题 - 此文件有子节点。所以会引发异常，而且不能悲催。

对不起，我不确定你的意思，你真的试过这个方法吗？

【参考方案3】：

我通常将Fast XPath Reader 与 LinqToXML 结合使用来完成这项工作。不过它已经相当老了（2007 年）。

我不知道 HTML Agility Pack，所以我不能说它的比较（在性能和易用性方面）。

【参考方案4】：

当然，这是可能的。但请注意——兼容的 xml 处理器应该将任何格式不正确的内容视为致命错误。这意味着它只适用于通过 xhtml strict 验证的文档。

【讨论】：

不完全。 XHTML 严格标准定义了附加要求，例如哪些属性可用于哪些标记、哪些标记可以放置在何处等。除非 HTML 文档链接到一个模式并且 XML 解析器实际使用该模式，否则文档只需要语法上有效的 XML。

这个页面的语法永远不会改变，我想阅读它的内容。也许最好的解决方案是 RegEx？

@fonix232 - ***.com/questions/1732348/…

正如我所说，语法永远不会改变，只是数据。因此，如果我将文件读入字符串，这可以由 RegEx 解析。更新时没有任何更改，没有其他信息，也没有任何内容。只有那些字段。