如何通过 Html Agility Pack 从网页中提取链接、文本和时间戳

Question

我正在使用 Html Agility Pack 并尝试从以下 html 代码中提取链接和链接文本。该网页是从远程页面获取的，并作为一个整体保存在本地。然后从这个本地网页我试图提取链接和链接文本。该网页在其页面内自然有其他 html 代码，例如其他链接文本等，但为了清楚起见，此处将其删除。

<span class="Subject2"><a href="/some/today.nsf/0/EC8A39D274864X5BC125798B0029E305?open">
Description 1 text here</span> <span class="time">2012-01-20 08:35</span></a><br>
<span class="Subject2"><a href="/some/today.nsf/0/EC8A39XXXX264X5BC125798B0029E312?open">
Description 2 text here</span> <span class="time">2012-01-20 09:35</span></a><br>

但在尝试提取链接和链接文本时，上述内容是最独特的工作内容。

这是我希望看到的结果

<link>/some/today.nsf/0/EC8A39D274864X5BC125798B0029E305</link>
<title>Description 1 text here</title>
<pubDate>Wed, 20 Jan 2012 07:35:00 +0100</pubDate>

<link>/some/today.nsf/0/ EC8A39XXXX264X5BC125798B0029E312</link>
<title>Description 2 text here</title>
<pubDate> Wed, 20 Jan 2012 08:35:00 +0100</pubDate>

这是我目前的代码：

var linksOnPage = from lnks in document.DocumentNode.SelectNodes("//span[starts-with(@class, 'Subject2')]")

(lnks.Name == "a" &&
lnks.Attributes["href"] != null &&
lnks.InnerText.Trim().Length > 0)

select new
{
Url = lnks.Attributes["href"].Value,
Text = lnks.InnerText
Time = lnks. Attributes["time"].Value
};

    foreach (var link in linksOnPage)
        {
            // Loop through.
            Response.Write("<link>" + link.Url + "</link>");
      Response.Write("<title>" + link.Text + "</title>");
      Response.Write("<pubDate>" + link.Time + "</pubDate>");
        }

它不工作，我什么也没得到。

因此，我们将不胜感激任何建议和帮助。

提前致谢。

更新：我现在已经设法使语法正确，以便从上述示例中选择链接：使用以下代码：

var linksOnPage = from lnks in document.DocumentNode.SelectNodes("//span[@class='Subject2']//a")

这可以很好地选择带有 url 和文本的链接，但是我该如何获取时间戳呢？

即从中选出时间戳：

<span class="time">2012-01-20 09:35</span></a>

跟随每个链接。并且根据上面的输出循环内的每个链接都有输出吗？感谢您在这方面的任何帮助。

Answer 1

您的 HTML 示例格式不正确，这就是您得到意外结果的原因。

要找到您的第一个和第二个值，您必须在<span class='Subject2'> 中获取<a> - 第一个值是href 属性值，第二个是锚点的InnerText。要获得第三个值，您必须获得 <span class='Subject2'> 标记的以下同级并获得其 InnerText。

看，你可以这样做：

var nodes = document.DocumentNode.SelectNodes("//span[@class='Subject2']//a");
foreach (var node in nodes)
{
    if (node.Attributes["href"] != null)
    {
        var link = new XElement("link", node.Attributes["href"].Value);
        var description = new XElement("description", node.InnerText);
        var timeNode = node.SelectSingleNode(
                         "..//following-sibling::span[@class='time']");
        if (timeNode != null)
        {
            var time = new XElement("pubDate", timeNode.InnerText);
            Response.Write(link);
            Response.Write(description);
            Response.Write(time);
        }
    }
}

这会输出如下内容：

<link>/some/today.nsf/0/EC8A39D274864X5BC125798B0029E305?open</link>
<description>Description 1 text here</description>
<pubDate>2012-01-20 08:35</pubDate>
<link>/some/today.nsf/0/EC8A39XXXX264X5BC125798B0029E312?open</link>
<description>Description 2 text here</description>
<pubDate>2012-01-20 09:35</pubDate>