c# - 解析 Html 文档获取所有带有 ID 和值的输入字段

Question

我有几千（ASP.net - 混乱的 html）html 生成的发票，我试图解析并保存到数据库中。

基本上像：

 foreach(var htmlDoc in HtmlFolder)
 {
   foreach(var inputBox in htmlDoc)
   { 
      //Make Collection of ID and Values Insert to DB
   }
 }

从我读过的所有其他问题中，解决此类问题的最佳工具是HtmlAgilityPack，但是在我的一生中，我无法使文档 .chm 文件正常工作。关于我如何在有或没有敏捷包的情况下完成此任务的任何想法？

提前致谢

score 4 · Accepted Answer

HtmlAgilityPack 的更新替代品是CsQuery。关于它的相对性能优点，请参见后面的问题，但它对 CSS 选择器的使用是无可匹敌的：

var doc = CQ.CreateDocumentFromFile(htmldoc); //load, parse the file
var fields = doc["input"]; //get input fields with CSS
var pairs = fields.Select(node => new Tuple<string, string>(node.Id, node.Value()))
       //get values

score 2 · Accepted Answer

要使 CHM 工作，您可能需要在 Windows 资源管理器中查看属性并取消选中“取消阻止内容”复选框。

当您熟悉 Linq-to-XML 或 XPath 时，HTML Agility Pack 非常简单。

您需要了解的基础知识：

//import the HtmlAgilityPack
using HtmlAgilityPack;

HtmlDocument doc = new HtmlDocument();

// Load your data
// -----------------------------
// Load doc from file:
doc.Load(pathToFile);

// OR

// Load doc from string:
doc.LoadHtml(contentsOfFile);
// -----------------------------

// Find what you're after
// -----------------------------
// Finding things using Linq
var nodes = doc.DocumentNode.DescendantsAndSelf("input")
    .Where(node => !string.IsNullOrWhitespace(node.Id)
        && node.Attributes["value"] != null
        && !string.IsNullOrWhitespace(node.Attributes["value"].Value));

// OR

// Finding things using XPath
var nodes = doc.DocumentNode
    .SelectNodes("//input[not(@id='') and not(@value='')]");
// -----------------------------


// looping through the nodes:
// the XPath interfaces can return null when no nodes are found
if (nodes != null) 
{ 
    foreach (var node in nodes)
    {
        var id = node.Id;
        var value = node.Attributes["value"].Value;
    }
}

添加 HtmlAgility Pack的最简单方法是使用 NuGet ：

PM> Install-Package HtmlAgilityPack

score 1 · Accepted Answer

哈，看起来是我编写的库的无耻插件的理想时机！

使用这个库应该很容易实现（顺便说一下，它构建在 HtmlAgility 包之上！）：https ://github.com/amoerie/htmlbuilders （您可以在此处找到 Nuget 包：https://www. nuget.org/packages/HtmlBuilders/）

代码示例：

        const string html = "<div class='invoice'><input type='text' name='abc' value='123'/><input id='ohgood' type='text' name='def' value='456'/></div>";
        var htmlDocument = new HtmlDocument {OptionCheckSyntax = false}; // avoid exceptions when html is invalid
        htmlDocument.Load(new StringReader(html));
        var tag = HtmlTag.Parse(htmlDocument); // if there is a root tag
        var tags = HtmlTag.ParseAll(htmlDocument); // if there is no root tag

        // find looks recursively through the entire DOM tree
        var inputFields = tag.Find(t => string.Equals(t.TagName, "input"));

        foreach (var inputField in inputFields)
        {
            Console.WriteLine(inputField["type"]);
            Console.WriteLine(inputField["value"]);
            if(inputField.HasAttribute("id"))
                Console.WriteLine(inputField["id"]);
        }

请注意，如果该字段没有指定的属性名称，则 inputField[attribute] 将抛出“KeyNotFoundException”。这是因为 HtmlTag 为其属性实现并重用了 IDictionary 逻辑。

编辑：如果您不在 Web 环境中运行此代码，则需要添加对 System.Web 的引用。这是因为这个库使用了 System.Web 中的 HtmlString 类。只需选择“添加引用”，然后您可以在“程序集 > 框架”下找到它