处理HTML文件

Question

我正在开发一个类似浏览器的应用程序，它从一个站点（任何网站）获取HTML，然后在其上应用样式脚本来更改某些元素（就像greasemonkey一样）。

我的初步计划是使用XPath和XmlDocument解析HTML，但有更好的方法吗？

提前致谢！

PS＆GT;方便的提示，技巧和关于HTML + C＃的链接会很棒〜^^

Answer 1

使用HTML Agility包。您可以在此处找到它：http://www.codeplex.com/htmlagilitypack

Answer 2

HTML并不总是遵循XML规则，例如html中有标签，可能没有close标签，因此XPath和XDocument有时会抛出错误。 IE API使您能够执行此操作（请参阅here），您还可以找到第3方派对解析器（请参阅this o this）

Answer 3

我非常推荐使用XSLT。这允许您将所有转换数据保留在代码之外，因此，如果要修改要转换的HTML，或者您想要更改布局，则可以很容易地更改它。

尽管如此，如果使用HTML而不是XHTML，请注意可能的错误。尽管如此，使用Tidy库可以帮助您克服这个问题。

Answer 4

我真的建议使用一个包，用于处理所有奇怪的HTML解析的编程语言。我之前在Ruby中使用过Hpricot，它让事情变得轻而易举。

Answer 5

如果您希望能够根据其内容浏览HTML，XPath是一个不错的选择。但是你必须先清理HTML。您可以使用HTML整理将HTML转换为XHTML。在此过程中，您可以修改页面呈现的方式。但这似乎是你的项目的目的，所以这不是什么大不了的事。