Question

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

我想我可以使用正则表达式来实现快速和肮脏的解决方案，但必须有更好的方法。解析应该是健壮的，即使HTML稍微破坏或非标准，也不会拒绝整个字符串。谷歌搜索提供了一些替代方案，但我发现结果不确定，并希望得到实际完成此操作的人的直接答案（或答案列表）。有些代码会很好，或只是链接到SO回答好的代码。

一些澄清的代码：

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>");
}

Answer 1

虽然会增加应用程序的开销，但我建议您尽可能将HTML加载到WebView并通过InvokeScript（docs）方法使用DOM访问权限获取对DOM的访问权限并进行必要的搜索。 IE的HTML解析器是宽容的，几乎可以处理你抛出的任何HTML。

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

我建议使用这种技术的原因是，鉴于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的可靠解析非常具有挑战性，特别是如果你需要保留DOM的结构作为搜索的一部分。

我（或者我曾经参加过的团队）过去曾为C＃使用过一些DOM解析库，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有用。

直到最近，谷歌宣布发布他们的Gumbo库，一个用C语言编写的纯HTML 5解析器（当然不会帮助你）。

Windows 8运行时/存储应用程序中的HTML处理

1 个答案: