需要的建议：在 C# 中解析 HTML 的最佳方式答案

【问题标题】：Suggestion Needed: Best way of parsing HTML in C#需要的建议：在 C# 中解析 HTML 的最佳方式
【发布时间】：2009-05-27 14:35:41
【问题描述】：

这是我的问题。这是从 HTML 页面中提取某些信息的最佳方式。我目前所做的如下：

这是我目前所做的总结形式。有人知道另一种方法吗？可以更快或更容易的东西吗？

最好的问候，基里尔

PS：我听说过一个名为Watin的测试框架

这可以让你做类似的事情，但没有太多研究

【问题讨论】：

标签： c# html

【解决方案1】：

听起来您已经知道如何获取页面数据（这是最简单的部分）。

除此之外，我用于此类任务的最佳托管库是HTML Agility Pack。它是开源的并且非常成熟，完全用 .NET 编写。它可以处理格式错误的 HTML，并且可以通过两种不同的方式完成您需要的工作：

原生支持针对 HTML DOM 的 XPATH 和类似 XML 的查询。它旨在模仿 .NET 的 XML 库，因此您可以使用 .NET 对 XML 执行任何操作，也可以使用此对 HTML 执行任何操作。
支持从 HTML 生成有效的 XML，因此您可以使用任何 XML 工具。

【讨论】：

【解决方案2】：

为了您的解析需求，我推荐HTML Agility Pack。

要实际检索 HTML，请使用 WebRequest 类

【讨论】：

【解决方案3】：

除非您使用完美格式的 XHTML 正则表达式会更适合解析 html？

Watin 允许您通过 IE 在网页上编写按钮单击、脚本调用等脚本（不确定是否可以使用其他浏览器？）。我不认为这会完成你正在寻找的东西。

【讨论】：

正则表达式也不能很好地处理格式错误的 HTML。
不，但我怀疑许多第三方库将它们与标准字符串操作结合使用来处理 html，无论哪种方式，正则表达式都优于 XML 查询提供的灵活性。
是的——我一直在使用它们。它们仅在不是来自模板系统的人工编写的 HTML 上表现不佳——结构化数据的比例微乎其微。不应该被我否决 +1。
@Simon 不幸的是，许多模板系统使用用格式错误的 HTML 编写的模板。正则表达式可以很好地提取相当小的数据集，但是编写高度复杂的大数据提取所需的时间远远超过 XML 化标记和使用 XPATH。
那么“XML 化”标记将如何帮助处理格式错误的 HTML？但是我同意 HTML 敏捷包可能是他/她正在寻找的 - 它可能在某些时候使用正则表达式；）

【解决方案4】：

我相信这可以通过使用 WebClient.DownloadString 方法稍微简化。

有关解析的详细信息，请参阅其他答案，因为我还没有尝试过 HTML Agility Pack。

【讨论】：