HtmlAgilityPack是一個(gè)開(kāi)源的解析HTML元素的類(lèi)庫(kù)，最大的特點(diǎn)是可以通過(guò)XPath來(lái)解析HMTL，如果您以前用C#操作過(guò)XML，那么使用起HtmlAgilityPack也會(huì)得心應(yīng)手。目前最新版本為1.4.6,下載地址如下：
這是個(gè)很好的的東西，以前做Html解析都是在用htmlparser，用的雖然順手，但解析速度較慢，碰巧今天找到了這個(gè)，就拿過(guò)來(lái)試，一切出乎意料，非常爽，推薦給各位使用。

下面是一些簡(jiǎn)單的使用技巧，希望對(duì)大家有用，我個(gè)人也是個(gè)學(xué)習(xí)過(guò)程。

Why Html Agility Pack? (以下簡(jiǎn)稱(chēng)HAP)

.Net下解析HTML文件有很多種選擇，包括微軟自己也提供MSHTML用于manipulate HTML文件。但是，經(jīng)過(guò)我一段時(shí)間的搜索，Html Agility Pack浮出水面：它是Stackoverflow網(wǎng)站上推薦最多的C# HTML解析器。HAP開(kāi)源，易用，解析速度快。

How to use HAP?

1. 下載http://htmlagilitypack.codeplex.com/

2. 解壓，下載后解壓縮后有3個(gè)文件，這里只需要將其中的HtmlAgilityPack.dll（程序集）、HtmlAgilityPack.xml（文檔，用于Visual Studio 2008中代碼智能提示和幫助說(shuō)明之用）引入解決方案中即可使用，無(wú)需安裝任何東西，非常好用。

3. 在Visual Studio Solution里，右擊project -> add reference -> 選擇解壓文件夾里的HTMLAgilityPack.dll -> 確定

4. 代碼頭部加入 using HtmlAgilityPack;

HtmlWeb webClient = new HtmlWeb();   
HtmlDocument doc = webClient.Load("http://xxx");   
   
HtmlNodeCollection hrefList = doc.DocumentNode.SelectNodes(".//a[@href]");   
   
if (hrefList != null)   
{   
     foreach (HtmlNode href in hrefList)   
     {   
        HtmlAttribute att = href.Attributes["href"];   
        doSomething(att.Value);   
   
     }   
   
}    

Q: 如何根據(jù)ID選擇HTML結(jié)點(diǎn)？

A: 利用@id='xxx', e.g.,

HtmlNode bugSum = doc.DocumentNode.SelectSingleNode("//h2[@id='summary']");   

Q: 如何得到結(jié)點(diǎn)的文字內(nèi)容或Html內(nèi)容？

node.InnerText.Trim()   
node.InnerHtml   
node.OuterHtml   

Q: 如何在html樹(shù)結(jié)構(gòu)下查找結(jié)點(diǎn)？

A: 比如從根節(jié)點(diǎn)查找id=container的div下的第一個(gè)table:

HtmlNode table = doc.DocumentNode.SelectSingleNode("//div[@id='container']/table[1]");   

注意路徑里"//"表示從根節(jié)點(diǎn)開(kāi)始查找，兩個(gè)斜杠‘//’表示查找所有childnodes；一個(gè)斜杠'/'表示只查找第一層的childnodes（即不查找grandchild）；點(diǎn)斜杠"./"表示從當(dāng)前結(jié)點(diǎn)而不是根結(jié)點(diǎn)開(kāi)始查找。接上一行代碼，比如要查找table所有直接子結(jié)點(diǎn)的tr:

HtmlNodeCollection tr = table.SelectNodes("./tr");  

Q: 如何得到結(jié)點(diǎn)的ID？

A： 很簡(jiǎn)單： node.ID

Q: 如果一段html存在字符串里，是否可以用Html Agility Pack進(jìn)行處理？

A：可以，先將字符串load進(jìn)來(lái)，之后的處理方法一樣：

<pre name="code" class="csharp">//load the original html    
string html = "some html stuff"   
HtmlDocument doc = new HtmlDocument();   
doc.LoadHtml(@html);   

Q: 我對(duì)load進(jìn)來(lái)的html進(jìn)行了一些處理，比如改變了一些結(jié)點(diǎn)內(nèi)容，刪除了一些結(jié)點(diǎn)什么的，為什么結(jié)果卻沒(méi)有變化？

A: 也許你忘記save你對(duì)html的改變了，假設(shè)html存在字符串中：

//load the original html    
string html = "some html stuff"   
HtmlDocument doc = new HtmlDocument();   
doc.LoadHtml(@html);   
   
//make some changes    
doSomething();   
   
//save the change    
var sb = new StringBuilder();   
using (var writer = new StringWriter(sb))   
{   
    doc.Save(writer);   
}   

Q: 如何去掉外層的html tag只留下內(nèi)容？

A: 用remove方法。假設(shè)結(jié)點(diǎn)<a href=xxx>ABCD</a>，你想留下ABCD而不要<a></a>，那你需要先得到這個(gè)Html結(jié)點(diǎn)，假設(shè)叫l(wèi)ink:

link.ParentNode.RemoveChild(link,true);   

參數(shù)true表示留下grandchild，在這里即內(nèi)容ABCD; false表示將此結(jié)點(diǎn)連同其grandchilds一起刪除。

規(guī)則有很多，網(wǎng)上提供了源代碼，可以研究一下，還有源代碼有亂碼問(wèn)題，是字符集的問(wèn)題，只需要寫(xiě)一個(gè)方法來(lái)自動(dòng)判斷就可以解決了

• HTML