一款很不错的html转xml工具-Html Agility Pack

时间：2022-07-21 04:41:49

　之前发个一篇关于实现html转成xml的劣作《实现html转Xml》，受到不少网友的关心。该实现方法是借助htmlparser去分解html内容，然后按照dom的结构逐个生成xml字符串。在没有充分实践后，还以为该方案能解决问题。然而经过实际使用，效率确实很低，而且对一些特殊html属性的转换也不支持，得到的结果差强人意。

　　偶然一次机会在浏览codeplex网站时，发现一款很不错的html解析以及转换工具，就是本篇标题所提到的Html Agility Pack。Html Agility Pack是codeplex里的一款开源框架，其主要功能是利用对象模型去操作html内容，能够把xpath等xml方面的技术简单、灵活地应用在html文档解析中。正如其介绍所说的那样，该框架非常适合用于开发爬虫，网络数据挖掘工具。更重要的是该框架完全由c#语言编写，便于对框架的修改和深入的研究。

　　下面来看看如何将html转换成xml格式

　　首先创建一个HtmlDocument对象(该HtmlDocument是Html Agility Pack中的类，并不是winform里的那个)，所有的对html的操作都通过这个对象实现。

HtmlDocument htmlDoc = new HtmlDocument();

接着设置输出成xml的一些选项

//输出成xml格式

htmlDoc.OptionOutputAsXml = true;

加载html字符串内容，同时输出转换结果


// 加载html内容

htmlDoc.LoadHtml(@"<html><body>

<table>

         <tr>

         <td>dafd</td>

         <td>

         </tr>

  </table>

</body></html>");

 // 将输出结果保存到字符串流中

  StringBuilder sbXml = new StringBuilder();

  StringWriter sw = new StringWriter(sbXml);

  htmlDoc.Save(sw);

 Console.WriteLine(sbXml.ToString());

提供的html内容并不是良好格式的xml，转换之后的结果:


<?xml version="1.0" encoding="gb2312"?>

<html>

<body>

                <table>

                    <tr>

                        <td>dafd</td>

                        <td></td>

                    </tr>

                </table>

</body>

</html>

转换之后，自动修复了没有匹配标记，并且加上了xml的声明。

另外在使用的时候，如果给定的html文档内容没有根节点，那么转换之后会自动添加一个名称为span的根节点。

比如输入的html文档如下：


<script>var b ='b';</script>

<html><body>

                <table>

                    <tr>

                        <td>dafd</td>

                        <td>

                    </tr>

                </table>

                </body>

</html>

转换结果如下：


<?xml version="1.0" encoding="gb2312"?><span><script>

//<![CDATA[

var b ='b';

//]]>//

</script><html><body>

                <table>

                    <tr>

                        <td>dafd</td>

                        <td>

                    </td></tr>

                </table>

                </body></html></span>

这种方式保证了转换时的安全，是否使用还是看具体的项目要求。

　　以上方式是给定了已有的html字符串，还有另外一种更加方便的方式，那就是直接给出url路径，利用HtmlWeb就能包办下载以及转换的功能。实现方式如下：


            StringBuilder sbXml = new StringBuilder();

            StringWriter sw = new StringWriter(sbXml);

            XmlTextWriter tw = new XmlTextWriter(sw);

            HtmlWeb htmlWeb = new HtmlWeb();

            htmlWeb.LoadHtmlAsXml("http://htmlagilitypack.codeplex.com/", tw);

            Console.WriteLine(sbXml.ToString());

以上方式虽然方便，但是有一个不稳定的因素是：下载过来的html文档很有可能是乱码，并确实存在这种情况，为了更好的使用，我修改了下源代码，让其在下载的时候就能自动判断编码方式。

　　Html Agility Pack的效率比htmlparser有了很大的提升。但是在处理一些超大页面时，还是要有一些等待。另外还有一个美中不足的是，转换的结果还是不能100%地符合表中html格式的内容，只能说是95%地接近，比起firebug的html解析功能还差的远。

Html Agility Pack的下载链接

http://htmlagilitypack.codeplex.com/

修改过的dll(修复文档下载后乱码的问题)

HtmlAgilityPack_Shenba

相关文章