Windows 8 Runtime/Store应用程序中的HTML处理

本文关键字：HTML 处理 应用程序 Store Runtime Windows | 更新日期: 2023-09-27 18:29:51

我有一个包含HTML的string，我需要在Windows 8 Store应用程序中解析它System.Windows.Forms.HtmlDocument不可用于商店应用程序。我只需要提取一些页面链接，图像链接和一些文本内容。

我想我可以使用regexp进行快速&肮脏的解决方案，但必须有更好的方法。解析应该是健壮的，即使HTML有点破损或不标准，也不能拒绝整个字符串。谷歌搜索提供了一些替代方案，但我发现结果没有结论，我希望有人能给出一个直接的答案（或答案列表）。一些代码会很好，或者只是一个链接到SO答案的好代码。

一些需要澄清的代码：

public async void doSomeHtmlStuff(string url) {
    System.Net.Http.HttpClient client = new HttpClient();
    string html = await client.GetStringAsync(url);
    // parse the html, how? 
    // NOT anything like this, document tree is needed for context
    var links = Regex.Matches(html, "<a''s*href=.*>.*</a>");
}

Windows 8 Runtime/Store应用程序中的HTML处理

虽然这会增加应用程序的开销，但如果可能的话，我建议您实际将HTML加载到WebView中，并通过InvokeScript（docs）方法使用DOM访问来访问DOM并执行任何必要的搜索。IE的HTML解析器是宽容的，几乎可以处理你扔给它的任何HTML

如果需要，可以使用NavigateToString（docs）加载HTML。

我建议使用这种技术的原因是，考虑到HTML5不需要格式良好（如XHTML），您可能会遇到各种奇怪的情况，这些情况会使DOM的可靠解析变得非常困难，尤其是如果您需要在搜索中保留DOM的结构。

我（或我所在的团队）过去曾为C#使用过一些DOM解析库，但发现它们都缺乏健壮性。如果您正在解析一组非常固定的HTML，您可能会发现其中一个非常有用。

直到最近，谷歌才宣布发布他们的Gumbo库，这是一个用C编写的纯HTML5解析器（当然对你没有帮助）。

相关文章：