[英]How do I extract info from a webpage?
我想從網站的首頁收集一些數據。 我可以很容易地瀏覽每一行,它只是我感興趣的一個特定的一行。所以我想確定正確的行並提取數字,在這種情況下是324.我怎么能這樣做?
<h2><a href="/mmp/it/su/">Weather</a></h2> <span class="jix_channels_count">(324)</span><br><p class="jix_channels_desc">Progør, su, siør, tester</p>
下載內容后,使用HTML Agility Pack等HTML解析器來標識屬於jix_channels_count
類的span
元素。
另一個選擇是SgmlReader 。
你用regex
標記了你的問題 - 我全心全意地建議你不要采取這個方向。
建議的方法(使用SgmlReader)或多或少地如此:
var url = "www.that-website.com/foo/";
var myRequest = (HttpWebRequest)WebRequest.Create(url);
myRequest.Method = "GET";
WebResponse myResponse = myRequest.GetResponse();
var responseStream = myResponse.GetResponseStream();
var sr = new StreamReader(responseStream, Encoding.Default);
var reader = new SgmlReader
{
DocType = "HTML",
WhitespaceHandling = WhitespaceHandling.None,
CaseFolding = CaseFolding.ToLower,
InputStream = sr
};
var xmlDoc = new XmlDocument();
xmlDoc.Load(reader);
var nodeReader = new XmlNodeReader(xmlDoc);
XElement xml = XElement.Load(nodeReader);
現在,您可以使用LINQ to XML(遞歸地或以其他方式)查找具有值等於jix_channels_count
的屬性class
的span
元素,並讀取該元素的值。
用正則表達式解析html頁面是錯誤的。 如果您知道單個html行的確切結構,仍然可以使用正則表達式而不必將該行視為html代碼。
假設數字始終在括號內,並且帶有jix_channels_count類的范圍:
Match match = Regex.Match(htmlLine, @"(\<span[^>]*class=""jix_channels_count[^>]*\>\()([^)]+)(\))", RegexOptions.IgnoreCase);
if (match.Success)
{
string number = match.Groups[2].Value;
}
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.