从 HTML 节点读取值答案

【问题标题】：Read value from HTML node从 HTML 节点读取值
【发布时间】：2012-07-01 21:44:06
【问题描述】：

我是 XML/HTML 解析的新手。甚至不知道正确搜索重复项的正确词。

我有一个如下所示的 HTML 文件：

<body id="s1" style="s1">
    <div xml:lang="uk">
        <p begin="00:00:00" end="00:00:29">
          <span fontFamily="SchoolHouse Cursive B" fontSize="18">I'm great!</span>
        </p>

现在我需要 00:00:00、00:00:29 和 I'm great!。我可以这样读：

XmlTextReader reader = new XmlTextReader(file);
while (reader.Read())
{
    if (reader.NodeType != XmlNodeType.Element)
        continue;

    if (reader.LocalName != "p")
        continue;

    var a = reader.GetAttribute(0);
    var b = reader.GetAttribute(1);

    if (reader.LocalName == "span")
    {
        XmlDocument doc = new XmlDocument();
        doc.Load(reader);
        XmlNode elem = doc.DocumentElement.FirstChild;
        var c = elem.InnerText;
    }
 }

我在变量 a、b 和 c 中获取值。但 HTML 格式略有变化。 现在 HTML 看起来像这样：

<body id="s1" style="s1">
  <div xml:lang="uk">
      <p begin="00:00:00" end="00:00:29">I'm great! </p>

在这种情况下，我如何解析出 00:00:00、00:00:29 和 I'm great! ？我试过这个：

XmlTextReader reader = new XmlTextReader(file);
while (reader.Read())
{
    if (reader.NodeType != XmlNodeType.Element)
        continue;

    if (reader.LocalName != "p")
        continue;

    var a = reader.GetAttribute(0);
    var b = reader.GetAttribute(1);

    XmlDocument doc = new XmlDocument();
    doc.Load(reader);
    XmlNode elem = doc.DocumentElement.FirstChild;
    var c = elem.InnerText;
}

但我得到了这个错误：This document already has a 'DocumentElement' node.doc.Load(reader) 行。如何正确阅读以及造成问题的原因是什么？我正在使用 .NET 2.0

【问题讨论】：

看看html agility pack，好像是需要解析html的。
@oleksii 当 System.Xml 下有很多库时，我真的应该使用第三方库吗？此外，我没有做任何与 html 相关的事情
很明显，XML != HTML，我认为如果您进行任何 html 解析，html 敏捷包将很有用，因为您似乎在示例中有一些 html。如果您不使用 html，那么不妨看看 LINQ-to-XML。
@oleksii：我的意思是操作，而不是你 :) 我基本上只是确认了你所说的。
有人可以相应地编辑问题的标题吗？我不太确定这个 XML 什么时候听起来像 HTML

标签： c# html html-parsing

【解决方案1】：

看起来您有想要使用 XML 解析器解析的 HTML。这也可能是您得到 This document already has a 'DocumentElement' node. 异常的原因：因为您有多个根节点，这在 HTML 中是允许的（或者更好的是：容忍），但在 XML 中是不允许的。

改用 HTML 解析器。不幸的是，.NET 框架中没有内置任何内容。您必须为此使用第三方库。一个很好的是HTML agility pack，oleksii 在他的评论中已经提到了。

编辑：

从您的 cmets 中，我感觉您不熟悉 HTML 和 XML 之间没有直接关系这一事实。取自here 的图很好地说明了这一点：

XML 也不是 HTML 的子集，反之亦然。只有当您有严格的 XHTML（很少出现这种情况）时，您才有可以用 XML 解析器解析的 HTML 文档。但请注意，如果此类 XHTML 文档的代码出现错误，解析器将失败，而普通浏览器将继续显示该页面。此外，XHTML 的未来还很不明朗，现在 HTML5 正在缓慢而稳定地出现......

总结一下：为了避免所有这些陷阱，走简单的路，使用 HTML 解析器。

【讨论】：

使用 .NET XML 类无法解析？
不，很遗憾没有。 HTML 不是 XML 的子集。此外，由于 HTML 解析器（也用于浏览器中的解析器）在解析无效输入时更加宽容，人们开始为网站编写无效的 HTML，或者只是不关心有效性。但是，XML 解析器期望 严格有效 输入，如果不是，它们会退出解析并抛出异常，就像您看到的那样。
你能相应地编辑问题的标题吗？我不太确定这个 XML 什么时候听起来像 HTML
@nawfal：编辑标题并更正您问题的标签

【解决方案2】：

由于您想要解析 HTML，您可以使用WebClient（或WebBrowser）加载页面，然后使用 HTML DOM 浏览它。您需要为以下代码示例添加对Microsoft HTML Object Library (COM) 的引用：

  string html;
  WebClient webClient = new WebClient();
  using (Stream stream = webClient.OpenRead(new Uri("http://www.google.com")))
  using (StreamReader reader = new StreamReader(stream))
  {
    html = reader.ReadToEnd();
  }
  IHTMLDocument2 doc = (IHTMLDocument2)new HTMLDocument();
  doc.write(html);
  foreach (IHTMLElement el in doc.all)
    Console.WriteLine(el.tagName);

我之前尝试过将 HTML 加载到 XML 中，但这太难了 - 修复未封闭的标签（如
），在属性周围加上引号，给没有值的属性一个值，等等。因为我想然后使用 XSLT针对它，在加载到 HTML DOM 并在其中导航后，为每个 HTML 节点创建相关的 XML 节点。然后我有了 HTML 的正确 XML 表示。

【讨论】：