使用htmllagilitypack和XPath选择性抓取屏幕

本文关键字：抓取 屏幕 选择性 XPath htmllagilitypack 使用 | 更新日期: 2023-09-27 18:03:45

[这个问题与使用htmllagilitypack和XPath抓取屏幕有关]

我有一些HTML要解析，一般外观如下:

...
<tr>
<td><a href="" title="">Text Data here (1)</a></td>
<td>Text Data here(2)</td>
<td>Text Data here(3)</td>
<td>Text Data here(4)</td>
<td>Text Data here(5)</td>
<td>Text Data here(6)</td>
<td><a href="link here {1}" class="image"><img alt="" src="" /></a></td>
</tr>
<tr>
<td><a href="" title="">Text Data here (1)</a></td>
<td>Text Data here(2)</td>
<td>Text Data here(3)</td>
<td>Text Data here(4)</td>
<td>Text Data here(5)</td>
<td>Text Data here(6)</td>
<td><a href="link here {1}" class="image"><img alt="" src="" /></a></td>
</tr>
...

我正在寻找一种方法，我可以解析它在有意义的块，但我想有选择性的数据，如前两个td数据和最后两个td数据:

(1)， (2)， (6)， {1} CRLF
(1)， (2)， (6)， {1} CRLF
等等

我试过两种方法:方法1:

var dataList = currentDoc.DocumentNode.Descendants("tr")
            .Select
             (
              tr => tr.Descendants("td").Select(td => td.InnerText).ToList()
             ).ToList();

获取tds的内部文本，但无法获取链接{1}。在这里，创建了一个包含许多列表的列表。我可以使用嵌套的foreach来管理它。

方式2:

var dataList = currentDoc.DocumentNode
           .SelectNodes("//tr//td//text()|//tr//td//a//@href");

确实得到了链接{1}和所有数据，但它变得无组织。在这里，所有的数据都以大块的形式呈现。因为一个tr中的数据是相对的，所以我现在失去了这种关系。

那么，我如何才能获得我感兴趣的数据，只有前两列和最后两列的数据呢?

使用htmllagilitypack和XPath选择性抓取屏幕

以下代码将选择前两个<td>节点数据和最后两个<td>节点数据:

html.DocumentNode.Descendants("tr")
    .Select(tr => 
       from td in tr.SelectNodes("td[position() < 3 or position() > last() - 2]")
       let a = td.SelectSingleNode("a[@href!='']")
       select a == null ? td.InnerText : a.Attributes["href"].Value);

这个xpath按位置过滤节点:

td[position() < 3 or position() > last() - 2]
相关文章：