HTML Parsing Bibliothèques pour

Question

.NET Je suis à la recherche des bibliothèques pour analyser HTML pour extraire les liens, les formulaires, les étiquettes etc.

• http://www.majestic12.co.uk/projects/html_parser.php
• http://www.netomatix.com/Products/DocumentManagement/HtmlParserNet.aspx
• http://www.developer.com/net/csharp/article.php/2230091

LGPL ou toute autre licence favorable au développement commercial est préférable.

Avez-vous une expérience avec l'une de ces bibliothèques? Ou pourriez-vous recommander une autre bibliothèque similaire?

Answer 1

Le HTML Agility Pack a des exemples de exactement ce genre de chose, et utilise XPath pour les requêtes familières - par exemple (de la page d'accueil), pour trouver tous les liens est tout simplement:

foreach(HtmlNode link in doc.DocumentElement.SelectNodes("//a@href")) { 
    //... 
} 

---

EDIT

au 6/19/2012, le code ci-dessus, ainsi que le seul exemple de code indiqué sur la page HTML Agility Pack Examples ne fonctionnera pas. Juste besoin d'un léger ajustement comme indiqué ci-dessous.

HtmlDocument doc = new HtmlDocument(); 
doc.Load("file.htm"); 

foreach (HtmlNode link in doc.DocumentNode.SelectNodes("//a[@href]")) 
{ 
    HtmlAttribute att = link.Attributes["href"]; 
    att.Value = Foo(att); // fix the link 
} 
doc.Save("file.htm");