C#分类中的HTML解析
本文关键字:HTML 解析 分类 | 更新日期: 2023-09-27 18:00:51
我正在进行情感分类,并从本地电影数据库中解析数据。问题是它们有三种分类形式。一个有星星的(在…中实现(一个"垃圾",不给星星,也不称之为垃圾,这是它的主要链接:http://www.csfd.cz/film/7049-playgirls/?all=1你需要检查源代码——这里有一个例子,你可以看到所有三种用户对电影的评价。
</li>
<li id="comment-8356897">
<h5 class="author"><a href="/uzivatel/138463-campbell/">Campbell</a></h5>
<img src="http://img.csfd.cz/assets/images/rating/stars/2.gif" class="rating" width="16" alt="**" />
<div class="info">
<a href="/uzivatel/138463-campbell/komentare/">všechny komentáře uživatele</a></div>
<p class="post">Ale jo:-D Když jsem viděl že tenhle film je na prvním místě mezi největšíma sračkama na CSFD, a tak jsem se zhrozil a abych si utrpení ještě vylepšil, tak jsem si pustil oba dva díly naráz. No hell to celkem bylo ale ne nic extrémní. Viděl jsem větší shity. V tomhle filmu jsem měl děsnej problém fandit někomu fandit protože to moc nejde. Šílenost, Ale ne nejhorší.<span class="date desc">(11.3.2011)</span></p>
</li>
<li id="comment-872277">
<h5 class="author"><a href="/uzivatel/48974-fleker/">fleker</a></h5>
<div class="info">
<a href="/uzivatel/48974-fleker/komentare/">všechny komentáře uživatele</a></div>
<p class="post">tak na todle rači ani koukat nebudu; hodnocení to má slušný ale nechci riskovat aby mi vyschla mícha<span class="date desc">(29.7.2009)</span></p>
</li>
<li id="comment-327360">
<h5 class="author"><a href="/uzivatel/41698-ozo/">Ozo</a></h5>
<strong class="rating">odpad!</strong>
<div class="info">
<a href="/uzivatel/41698-ozo/komentare/">všechny komentáře uživatele</a></div>
<p class="post">Změna názoru - tohle si jednu hvězdičku nezaslouží =(<span class="date desc">(29.7.2007)</span></p>
</li>
非常感谢我的计划是这样做的:
string srxPathOfCategory = "//ul[@class='ui-posts-list']//li//img[@class='rating'] | //ul[@class='ui-posts-list']//li//strong[@class='rating']";
foreach (var att in doc.DocumentNode.SelectNodes(srxPathOfCategory)) // | .//strong[@class='rating']")){
{
if (att.InnerText == "odpad!") //odpad means rubbish
{
b[j] = att.InnerText; //saving "odpad!" for later use
}
if (att.Attributes["alt"] != null)
{
b[j] = att.Attributes["alt"].Value; //these values are from 1* to 5*****
}
if (att.InnerText != "odpad!" && att.Attributes["alt"] == null)//this is where the problems starts
{
b[j] = "without user evaluation";
}
j++;
}
此代码的问题是,如果找不到att.InnerText=="odpad!"或att.Attributes["alt"]!=null,它会继续到下一篇文章,并从那里接受用户评估。但我至少想把一些东西与提交评估的帖子相匹配。
感谢您的帮助,但问题出在html的xpath中。
我像这个一样解决了它
string srxPathOfCategory = "//ul[@class='ui-posts-list']//li";
foreach (var att in doc.DocumentNode.SelectNodes(srxPathOfCategory))
{
foreach (var child in att.ChildNodes.Skip(3)) // skipping first three nodes //- first one is whitespace - marked as #text child node, then there is h5 and third is //another whitespace marked as #text child node
{
if (child.InnerText == "odpad!")
{
b[j] = child.InnerText;
Console.WriteLine(b[j]);
Console.ReadKey();
break;
}
else if (child.Attributes["alt"] != null)
{
b[j] = child.Attributes["alt"].Value;
Console.WriteLine(b[j]);
Console.ReadKey();
break;
}
else
{
b[j] = "without user evaluation";
Console.WriteLine("hlupost");
Console.ReadKey();
break;
}
}
j++;
}
如果您更改if
语句会怎样。如果只有一个可以为真,为什么还要有3个if
语句?
// Is it "odpad" ?
if (att.InnerText == "odpad!")
{
b[j] = att.InnerText;
}
// .. If not, is it starred?
else if (att.Attributes["alt"] != null)
{
b[j] = att.Attributes["alt"].Value;
}
// If none of above, it must be this (default)
else
{
b[j] = "without user evaluation";
}