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。

  1. HtmlDocument htmlDoc = new HtmlDocument();

接着设置输出成xml的一些选项

  1. //输出成xml格式
  2. htmlDoc.OptionOutputAsXml = true;

加载html字符串内容，同时输出转换结果

  1.  
  2. // 加载html内容
  3. htmlDoc.LoadHtml(@"<html><body>
  4. <table>
  5.          <tr>
  6.          <td>dafd</td>
  7.          <td>
  8.          </tr>
  9.   </table>
  10. </body></html>");
  11.  
  12.  // 将输出结果保存到字符串流中
  13.   StringBuilder sbXml = new StringBuilder();
  14.   StringWriter sw = new StringWriter(sbXml);
  15.   htmlDoc.Save(sw);
  16.  
  17.  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:

  1.  
  2. <?xml version="1.0" encoding="gb2312"?>
  3. <html>
  4. <body>
  5.                 <table>
  6.                     <tr>
  7.                         <td>dafd</td>
  8.                         <td></td>
  9.                     </tr>
  10.                 </table>
  11. </body>
  12. </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：

  1.  
  2. <script>var b ='b';</script>
  3. <html><body>
  4.                 <table>
  5.                     <tr>
  6.                         <td>dafd</td>
  7.                         <td>
  8.                     </tr>
  9.                 </table>
  10.                 </body>
  11. </html>

转换结果如下：

  1.  
  2. <?xml version="1.0" encoding="gb2312"?><span><script>
  3. //<![CDATA[
  4. var b ='b';
  5. //]]>//
  6. </script><html><body>
  7.                 <table>
  8.                     <tr>
  9.                         <td>dafd</td>
  10.                         <td>
  11.                     </td></tr>
  12.                 </table>
  13.                 </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：

  1.  
  2.             StringBuilder sbXml = new StringBuilder();
  3.             StringWriter sw = new StringWriter(sbXml);
  4.             XmlTextWriter tw = new XmlTextWriter(sw);
  5.  
  6.             HtmlWeb htmlWeb = new HtmlWeb();
  7.             htmlWeb.LoadHtmlAsXml("http://htmlagilitypack.codeplex.com/", tw);
  8.  
  9.             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

一款很不错的html转xml工具-Html Agility Pack的更多相关文章

  1. 一款很不错的html转xml工具-Html Agility Pack 实现html转Xml

    [转]一款很不错的html转xml工具-Html Agility Pack 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htm ...

  2. C#不用union，而是有更好的方式实现 .net自定义错误页面实现 .net自定义错误页面实现升级篇 .net捕捉全局未处理异常的3种方式 一款很不错的FLASH时种插件 关于c#中委托使用小结 WEB网站常见受攻击方式及解决办法 判断URL是否存在 提升高并发量服务器性能解决思路

    C#不用union,而是有更好的方式实现   用过C/C++的人都知道有个union,特别好用,似乎char数组到short,int,float等的转换无所不能,也确实是能,并且用起来十分方便.那C# ...

  3. 分享15款很实用的 Sass 和 Compass 工具

    Sass 是 CSS 的扩展,增加了嵌套规则,变量,混入功能等很多更多.它简化了组织和维护 CSS 代码的成本.Compass 是一个开源的 CSS 框架,使得使用 CSS3 和流行的设计模式比以往任 ...

  4. 优秀工具推荐：两款很棒的 HTML5 游戏开发工具

    HTML5 众多强大特性让我们不需要多么高深技术就能创建好玩的网页游戏,同时证明了开放的 Web 技术能与任何其他在游戏开发中使用的技术竞争.正如标题所说,这篇文章推荐的几款很棒 HTML5 游戏开发 ...

  5. 为大家推荐一款很不错的MarkDown编辑器——stackEdit

    自己细致体验了一下下:认为它还是很不错的! !! https://stackedit.io 这是它的官网,我们能够在chrome浏览器的"应用"里找到相应的插件. ps:它但是一款 ...

  6. [aspnetcore.apidoc]一款很不错的api文档生成工具

    AspNetCore.ApiDoc 简单徐速一下为什么选用了aspnetcore.apidoc 而没有选用swagger 最初我们也有在试用swagger,但总是有些感觉,感觉有点不满意,就但从api ...

  7. AspNetCore.FileLog 一款很不错的日志记录工具

    AspNetCore.FileLog 该项目作者为伟哥,GitHub地址:https://github.com/amh1979:该项目维护者为鸟窝,GitHub地址:https://github.co ...

  8. 一款很不错的FLASH时种插件

    直接贴一段代码上来,大家看看效果: <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" " ...

  9. 很不错的点餐系统应用ios源代码完整版

    该源代码是一款很不错的点餐系统应用,应用源代码齐全,执行起来很不错,基本实现了点餐的一些经常使用的功能,并且界面设计地也很不错,是一个不错的ios应用学习的样例,喜欢的朋友能够下载学习看看,很多其它i ...

随机推荐

  1. mysql5.7下载与安装，php5.6与mysql5.7整合

    Part1 mysql5.7下载 百度“mysql下载”,打开官网    2. 在页面右上角点击,注册/登录 3. 登录后显示下载页面,选择windows 4. 然后选择MySQL Installer ...

  2. pgsql与mysql 下 varchar类型的数字文本的排序 区别

    两者都有cast函数,但使用方法完全不同. 1.在mysql中,cast( value as type) 将value的数据类型转换成type类型,其type可以为 二进制,同带binary前缀的效果 ...

  3. mmap内存映射复习

    c语言初学时,比较常见的一个习题就是实现cp. 使用c库实现的cp就不赘述了. 最近工作用到内存映射,就拿来练下手,复习一下mmap的用法. 很简单,将目标文件和源文件映射到内存,然后使用memcpy ...

  4. wordpress 如何从后台数据库修改theme(图文教程)

    我们在wordpress主题theme配置的时候,会从网站上下载比较流行的theme,使自己的blog看着很酷,也有不顺利的时候,你下载的theme有bug或者下载包出问题了,安装过后你的web页面不 ...

  5. 【Java】数据库连接池技术

    JDBC的问题 在程序中,我们经常要建立与数据库的连接,之后再关闭这个连接.我们知道,数据库连接对象的创建是比较消耗系统性能的,这些频繁的操作势必会消耗大量的系统资源.因此我们需要采用更高效的数据库访 ...

  6. 为什么用GPU挖比特币？

    http://www.leiphone.com/gpubitcoin.html 呵呵,这么红火的东东,不了解就长不了见识. 转一下两个东东,这挖矿机天天在算什么内容,还有,当前为什么GPU比CPU有优 ...

  7. ASP.NET中Cookie的使用

    学习web开发,使用Cookie是不可避免的,在这就浅 显的总结一下,供新手参阅.个人感觉Cookie的使用和ASP.NET中的Session非常像,只不过Cookie是保存在客户端,而 Sessio ...

  8. 【HDOJ】3789 奥运排序问题

    写了个函数指针,这题目很水,但是佷烦. #include <iostream> #include <cstring> #include <cstdio> #incl ...

  9. BZOJ2134: 单选错位

    题目:http://www.lydsy.com/JudgeOnline/problem.php?id=2134 题解:因为每个答案之间是互不影响的,所以我们可以挨个计算. 假设当前在做 i 题目,如果 ...

  10. Linux Shell编程（10）——引用变量

    当要引用一个变量的值时,一般推荐使用双引号.使用双引号除了变量名前缀($).后引符(`)和转义符(\)外,会使shell不再解释引号中其它所有的特殊字符.用双引号时$仍被当成特殊字符,允许引用一个被双 ...