我正在使用WebClient.DownloadString(url)通过URL获取HTML文档，但很难找到我要查找的元素内容。在阅读相关文章时，我注意到了HtmlDocument及其具有的诸如GetElementById之类的便捷功能。如何使用由url返回的HTML填充HtmlDocument？
7个回答
33
使用Html Agility Pack，如SLaks所建议的那样，这变得非常简单:
string html = webClient.DownloadString(url);
var doc = new HtmlDocument();
doc.LoadHtml(html);
HtmlNode specificNode = doc.GetElementById("nodeId");
HtmlNodeCollection nodesMatchingXPath = doc.DocumentNode.SelectNodes("x/path/nodes");
- Dan Tao
32
HtmlDocument 类是对本地 IHtmlDocument2 COM 接口的封装。
无法直接通过字符串轻松创建它。
应该使用 HTML Agility Pack。
- SLaks
1
3由于 @dhsto 给出了准确的答案，我无法看出这个答案如何是正确的。 - ThunderGr
24
回答原问题：
HTMLDocument doc = new HTMLDocument();
IHTMLDocument2 doc2 = (IHTMLDocument2)doc;
doc2.write(fileText);
// now use doc
然后将其转换回字符串：
doc.documentElement.outerHTML;
- David Sherret
6
2似乎不可能像那样实例化
HTMLDocument。 - Steinfeld2@Steinfeld 我刚刚又进行了一次测试，对我来说是有效的。请确保你正在使用
mshtml;。在引用对话框中它是 Microsoft.mshtml。我正在使用版本 7.0.3300。 - David Sherret谢谢，我几个小时前就完成了，确实有效。不过我尝试了敏捷包，它似乎更加“用户友好” =] - Steinfeld
1@Steinfeld，没错，它确实是！Mshtml库非常麻烦，但对于做一些简单的事情来说已经足够了。 - David Sherret
这个可以工作，但它会尝试在我的环境中打开一个外部的
about:blank 页面。 - hillin@hillin 非常奇怪。我从未遇到过这种情况。 - David Sherret
20
如果您不想使用HTML Agility Pack，并且只想使用本地的.NET代码从字符串中获取HtmlDocument，则可以参考这篇文章如何将字符串转换为HtmlDocument
以下是可用的代码块
public System.Windows.Forms.HtmlDocument GetHtmlDocument(string html)
{
WebBrowser browser = new WebBrowser();
browser.ScriptErrorsSuppressed = true;
browser.DocumentText = html;
browser.Document.OpenNew(true);
browser.Document.Write(html);
browser.Refresh();
return browser.Document;
}
- Nikhil Gaur
2
我不再在.NET环境中工作，因此无法测试是否有效。但是，如果社区中的其他人可以验证这一点，我将很高兴接受它作为答案。感谢您多年来的关注！XD - lappy
其实我一直在寻找这个解决方案，但是没有找到不用第三方库的方法。最终这段代码解决了我的问题，并且我在我的应用中使用了它。希望这会对像我一样的一些人有所帮助：) - Nikhil Gaur
4
我对Nikhil的回答进行了一定程度的改编，以简化它。不可否认，我没有通过.net编译器运行它，而Nikhil放置的几行代码可能有非常好的原因，但是至少在我的用例中（一个非常简单的页面），它们是不必要的。
我的用例是为了快速编写powershell脚本：
$htmlText = $(New-Object
System.Net.WebClient).DownloadString("<URI HERE>") #Get the HTML document from a webserver
$browser = New-Object System.Windows.Forms.WebBrowser
$browser.DocumentText = $htmlText
$browser.Document.Write($htmlText)
$response = $browser.document
对于我的情况，这返回了一个包含
HTMLElement对象的HTMLDocument对象，而不是在PS 5.1.14393.1944中由调用Invoke-WebRequest返回的__ComObject对象类型（这些类型在powershell类代码中使用起来很具有挑战性）。我认为等价的C#代码是：
public System.Windows.Forms.HtmlDocument GetHtmlDocument(string html)
{
WebBrowser browser = new WebBrowser();
browser.DocumentText = html;
browser.Document.Write(html);
return browser.Document;
}
- Takophiliac
3
这很好，但你需要运行以下命令：
[void][reflection.assembly]::LoadWithPartialName("System.Windows.Forms")
才能创建 System.Windows.Forms.WebBrowser 对象。 - Frank Lesniak
@Frank Lesniak 你确定那不是版本相关的吗？除非我调用的是不在 .net 程序集缓存中的 DLL，我不需要使用 loadwithpartialname。我在这段代码中肯定没有使用它（PowerShell 版本）。
或者你是说对于 C# 代码，这个调用是必要的吗？我本来期望有一个项目库和一个 using 语句。 - Takophiliac
嘿，Takophiliac，你可能有所发现。在PowerShell 5.1上，我也可以创建一个新的System.Net.WebClient对象。不幸的是，我不记得我当时测试的版本是什么了...但我经常进行向下兼容的工作，所以很可能是PowerShell v1或v2。 - Frank Lesniak
2
您可以通过以下方式获取HTML文档：
System.Net.WebClient wc = new System.Net.WebClient();
System.IO.Stream stream = wc.OpenRead(url);
System.IO.StreamReader reader = new System.IO.StreamReader(stream);
string s = reader.ReadToEnd();
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(s);
你已经有了getbiyid和getbyname...但是如果需要更深入的操作，建议使用HTML Agility Pack。例如：你可以使用doc.DocumentNode.SelectNodes(xpathselector)或者正则表达式解析文档。
顺便问一下：为什么不用正则表达式？如果你能正确使用它，它非常酷。但是xpath也非常强大。所以“选择你的毒药”。
再见
- womd
4
2HtmlDocument 对象好像没有 .LoadHtml() 方法。 - Photonic
@Photonic 但对我来说是可以的。在这里工作。 - C4d
2@C4u，你的
HtmlDocument在哪个命名空间中？我正在使用System.Windows.Forms.HtmlDocument，但没有LoadHtml()方法。 - Scott Baker这就是它们的区别。它是
HtmlAgilityPack.HtmlDocument。 - C4d0
你可以尝试使用OpenNew，然后再使用Write，但这是对该类的一种奇怪的使用方式。在MSDN上获取更多信息。
- Beku
3
但是您根本无法创建实例。这需要一个现有的实例。 - SLaks
我将以下代码放在窗体的Load事件处理程序中：
webBrowser1.DocumentText = Properties.Resources.HtmlContent; - radsdau
@SLaks wb = new webbrower(); wb.DocumentText(""); htmldoc = wb.Document().OpenNew(true); htmldoc.Write("<html></html>"); <= 这对我来说完全没问题。 - MattyMatt
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接