Je recherche une bibliothèque C# qui traduirait le code HTML (et le css spécifié dans le code) dans un arbre DOM pour une analyse plus simple. Je cherche quelque chose similaire à celui-ci (qui est en PHP): http://simplehtmldom.sourceforge.net/HTML vers la bibliothèque DOM
Bien sûr, je sais que je pourrais intégrer un contrôle de navigateur, mais je cherche quelque chose de plus efficace.
Consultez le HTML Agility Pack. Il n'a pas été mis à jour depuis un moment, mais il fonctionne toujours très bien.
Je seconde M. Dorman sur le HtmlAgilityPack. J'ai fait un brief blog post on web scraping il y a quelque temps; il mentionne le pack, mais discute surtout d'autres détails. Selon votre application, cela peut être utile.
Nous avons utilisé HTMLAgility ici dans notre projet pour extraire des balises html spécifiques avec un ensemble donné d'attributs en utilisant XPath et cela ne nous a jamais manqué.
Il n'y a aucun moyen d'obtenir DOM avec des styles comme ça. La seule option est le framework "Selenium" qui fonctionne avec un vrai navigateur.
En fait, j'étais en train de le regarder. Je ne vois pas de support pour les styles CSS. Donc, si j'ai un DIV, et qu'il a une classe avec background-image définie sur bg1.gif, l'analyse-t-elle? – webly
@webly: à quoi cela ressemblerait-il s'il le faisait? Vous attendez-vous à voir les propriétés CSS comme des éléments dom ou des attributs, ou quelque chose de différent? – Stobor
@webly: Non, je ne crois pas qu'il supporte CSS. Il analysera le code HTML actuel, mais toutes les métadonnées liées à CSS seront probablement perdues. Je ne suis pas sûr à quel point il serait difficile de modifier le code pour prendre en charge CSS, mais, comme Stobor l'a mentionné, comment voulez-vous voir les données CSS? –