我目前正在使用HtmlAgilityPack通过xpath查询搜索某些内容。像这样:
var col = doc.DocumentNode.SelectNodes("//*[text()[contains(., 'foo'] or @*....
现在我想使用正则表达式在所有html源代码(=文本,标签和属性)中搜索特定内容。如何通过HtmlAgilityPack实现这一目标? HtmlAgilityPack可以处理xpath + regex或者使用正则表达式和HtmlAgilityPack进行搜索的最佳方法是什么?
答案 0 :(得分:5)
Html Agility Pack使用底层的.NET XPATH实现来支持XPATH。幸运的是,.NET中的XPATH是完全可扩展的(顺便说一句:很遗憾微软不再投资于这种精湛的技术......)。
所以,我们假设我有这个HTML:
<div>hello</div>
<div>hallo</div>
下面是一个示例代码,它将选择两个节点,因为它将节点与'h.llo'正则表达式表达式进行比较:
HtmlNodeNavigator nav = new HtmlNodeNavigator("mypage.htm");
foreach (var node in SelectNodes(nav, "//div[regex-is-match(text(), 'h.llo')]"))
{
Console.WriteLine(node.OuterHtml); // should dump both div elements
}
它的工作原理是因为我使用了一个特殊的Xslt / XPath上下文,我在其中定义了一个名为“regex-is-match”的新XPATH函数。这是SelectNodes实用程序代码:
public static IEnumerable<HtmlNode> SelectNodes(HtmlNodeNavigator navigator, string xpath)
{
if (navigator == null)
throw new ArgumentNullException("navigator");
XPathExpression expr = navigator.Compile(xpath);
expr.SetContext(new HtmlXsltContext());
object eval = navigator.Evaluate(expr);
XPathNodeIterator it = eval as XPathNodeIterator;
if (it != null)
{
while (it.MoveNext())
{
HtmlNodeNavigator n = it.Current as HtmlNodeNavigator;
if (n != null && n.CurrentNode != null)
{
yield return n.CurrentNode;
}
}
}
}
以下是支持代码:
public class HtmlXsltContext : XsltContext
{
public HtmlXsltContext()
: base(new NameTable())
{
}
public override int CompareDocument(string baseUri, string nextbaseUri)
{
throw new NotImplementedException();
}
public override bool PreserveWhitespace(XPathNavigator node)
{
throw new NotImplementedException();
}
protected virtual IXsltContextFunction CreateHtmlXsltFunction(string prefix, string name, XPathResultType[] ArgTypes)
{
return HtmlXsltFunction.GetBuiltIn(this, prefix, name, ArgTypes);
}
public override IXsltContextFunction ResolveFunction(string prefix, string name, XPathResultType[] ArgTypes)
{
return CreateHtmlXsltFunction(prefix, name, ArgTypes);
}
public override IXsltContextVariable ResolveVariable(string prefix, string name)
{
throw new NotImplementedException();
}
public override bool Whitespace
{
get { return true; }
}
}
public abstract class HtmlXsltFunction : IXsltContextFunction
{
protected HtmlXsltFunction(HtmlXsltContext context, string prefix, string name, XPathResultType[] argTypes)
{
Context = context;
Prefix = prefix;
Name = name;
ArgTypes = argTypes;
}
public HtmlXsltContext Context { get; private set; }
public string Prefix { get; private set; }
public string Name { get; private set; }
public XPathResultType[] ArgTypes { get; private set; }
public virtual int Maxargs
{
get { return Minargs; }
}
public virtual int Minargs
{
get { return 1; }
}
public virtual XPathResultType ReturnType
{
get { return XPathResultType.String; }
}
public abstract object Invoke(XsltContext xsltContext, object[] args, XPathNavigator docContext);
public static IXsltContextFunction GetBuiltIn(HtmlXsltContext context, string prefix, string name, XPathResultType[] argTypes)
{
if (name == "regex-is-match")
return new RegexIsMatch(context, name);
// TODO: create other functions here
return null;
}
public static string ConvertToString(object argument, bool outer, string separator)
{
if (argument == null)
return null;
string s = argument as string;
if (s != null)
return s;
XPathNodeIterator it = argument as XPathNodeIterator;
if (it != null)
{
if (!it.MoveNext())
return null;
StringBuilder sb = new StringBuilder();
do
{
HtmlNodeNavigator n = it.Current as HtmlNodeNavigator;
if (n != null && n.CurrentNode != null)
{
if (sb.Length > 0 && separator != null)
{
sb.Append(separator);
}
sb.Append(outer ? n.CurrentNode.OuterHtml : n.CurrentNode.InnerHtml);
}
}
while (it.MoveNext());
return sb.ToString();
}
IEnumerable enumerable = argument as IEnumerable;
if (enumerable != null)
{
StringBuilder sb = null;
foreach (object arg in enumerable)
{
if (sb == null)
{
sb = new StringBuilder();
}
if (sb.Length > 0 && separator != null)
{
sb.Append(separator);
}
string s2 = ConvertToString(arg, outer, separator);
if (s2 != null)
{
sb.Append(s2);
}
}
return sb != null ? sb.ToString() : null;
}
return string.Format("{0}", argument);
}
public class RegexIsMatch : HtmlXsltFunction
{
public RegexIsMatch(HtmlXsltContext context, string name)
: base(context, null, name, null)
{
}
public override XPathResultType ReturnType { get { return XPathResultType.Boolean; } }
public override int Minargs { get { return 2; } }
public override object Invoke(XsltContext xsltContext, object[] args, XPathNavigator docContext)
{
if (args.Length < 2)
return false;
return Regex.IsMatch(ConvertToString(args[0], false, null), ConvertToString(args[1], false, null));
}
}
}
正则表达式函数最后在一个名为RegexIsMatch的类中实现。这不是非常复杂。请注意,有一个实用程序函数ConvertToString,它试图将任何xpath“thing”强制转换为非常有用的字符串。
当然,使用这项技术,您可以使用非常少的代码定义所需的任何XPATH函数(我一直使用它来进行大小写转换......)。
答案 1 :(得分:0)
直接quoting,
我认为这里的缺陷是HTML是Chomsky Type 2 grammar (context free grammar)而RegEx是Chomsky Type 3 grammar (regular grammar)。因为Type 2语法基本上更多 比3类语法复杂(参见Chomsky hierarchy),你 不可能使这项工作。但许多人会尝试,有些人会声称 成功和其他人会找到错误并完全弄乱你。
将正则表达式与HTML文档的某些部分一起使用可能是有意义的。尝试使用HtmlAgilityPack
在HTML文档的标记和结构上运行正则表达式是不正确的,最终无法为您的问题提供通用的解决方案。