使用C#中的HtmlAgilityPack从节点列表中提取特定的节点值

本文关键字：节点 提取 列表 中的 HtmlAgilityPack 使用 | 更新日期: 2023-09-27 18:19:33

我正在抓取一个页面www.thenextweb.com

我想提取所有的帖子链接，文章内容，文章图像等

我写了这个代码。。。

string url = TextBox1.Text.ToString();
        var webGet = new HtmlWeb();
        var document = webGet.Load(url);
        var infos = from info in document.DocumentNode.SelectNodes("//div[@class='article-listing']")
                    select new
                    {
                        Contr = info.InnerHtml
                    };
        lvLinks.DataSource = infos;
        lvLinks.DataBind();

这将从页面中提取所有必需的信息。。。我在主页中使用了这些信息，使用asp.net页面中的listview控件作为

<li> <%# Eval("Contr") %> </li>

现在我想要的是一种方法，尽管我可以将节点信息提取为我们有infos中的所有节点，包括链接url、帖子图像文本等。

我想要一种方法，以便我可以将它们存储为URL[0]、PostContent[0]、PostImage[0]、Date[0]和URL[1]、PostContent[1]等，所有这些都包含存储在这些数组字符串中的受尊重的值。。。。每个帖子一个接一个。。。

这就像是从信息系统的内部节点中一个接一个地提取信息。

请建议一种方法？

使用C#中的HtmlAgilityPack从节点列表中提取特定的节点值

为什么不创建一个解析HTML并将这些节点公开为属性的类呢。

class ArticleInfo
{
    public ArticleInfo (string html) { ... }
    public string URL { get; set; }
    public string PostContent { get; set; }
    public string PostImage { get; set; }
    public DateTime PostDate { get; set; }
}

然后你可以做这样的事情：

var infos = from info in document.DocumentNode.SelectNodes("//div[@class='article-listing']")
            select new ArticleInfo(info.InnerHtml);

然后，如果您有一个由这些`infoArray=infos组成的数组。ToArray（）'你可以做：

infoArray[0].URL
infoArray[0].PostDate
infoArray[1].PostContent
etc...

更新

类似这样的东西：

class ArticleInfo
{
    private string html;
    public ArticleInfo (string html) 
    {
        this.html = html;
        URL = //code to extract and assign Url from html
        PostContent = //code to extract content from html
        PostImage = //code to extract Image from html
        PostDate = //code to extract date from html
    }
    public string URL { get; private set; }
    public string PostContent { get; private set; }
    public string PostImage { get; private set; }
    public DateTime PostDate { get; private set; }
    public string Contr { get { return html; } }
}

或者这个：

class ArticleInfo
{
    private string html;
    public ArticleInfo (string html) 
    {
        this.html = html;
    }
    public string URL { get { return /*code to extract and return Url from html*/; } }
    public string PostContent { get { return /*code to extract and return Content from html*/; } }
    public string PostImage { get { return /*code to extract and return Image from html*/; } }
    public DateTime PostDate { get { return /*code to extract and return Date from html*/; } }
    public string Contr { get { return html; } }
}

然后，链接查询返回一个ArticleInfo序列，而不是匿名类型。这样，您就不必为post的每个元素维护单独的数组。数组（或序列）中的每个项都具有属性，以便为您提供该项中的关联元素。当然，这可能不符合你想要实现的目标。我只是觉得它可能更干净一点。

相关文章：