Question

我在解析html中表单的输入标记子项时遇到问题。我可以使用//输入[@type]从根解析它们，但不能作为特定节点的子节点。

以下是一些说明问题的代码：

private const string HTML_CONTENT =
        "<html>" +
        "<head>" +
        "<title>Test Page</title>" +
        "<link href='site.css' rel='stylesheet' type='text/css' />" +
        "</head>" +
        "<body>" +
        "<form id='form1' method='post' action='http://www.someplace.com/input'>" +
        "<input type='hidden' name='id' value='test' />" +
        "<input type='text' name='something' value='something' />" +
        "</form>" +
        "<a href='http://www.someplace.com'>Someplace</a>" +
        "<a href='http://www.someplace.com/other'><img src='http://www.someplace.com/image.jpg' alt='Someplace Image'/></a>" +
        "<form id='form2' method='post' action='/something/to/do'>" +
        "<input type='text' name='secondForm' value='this should be in the second form' />" +
        "</form>" +
        "</body>" +
        "</html>";

public void Parser_Test()
    {
        var htmlDoc = new HtmlDocument
        {
            OptionFixNestedTags = true,
            OptionUseIdAttribute = true,
            OptionAutoCloseOnEnd = true,
            OptionAddDebuggingAttributes = true
        };

        byte[] byteArray = Encoding.UTF8.GetBytes(HTML_CONTENT);
        var stream = new MemoryStream(byteArray);
        htmlDoc.Load(stream, Encoding.UTF8, true);
        var nodeCollection = htmlDoc.DocumentNode.SelectNodes("//form");
        if (nodeCollection != null && nodeCollection.Count > 0)
        {
            foreach (var form in nodeCollection)
            {
                var id = form.GetAttributeValue("id", string.Empty);
                if (!form.HasChildNodes)
                    Debug.WriteLine(string.Format("Form {0} has no children", id ) );

                var childCollection = form.SelectNodes("input[@type]");
                if (childCollection != null && childCollection.Count > 0)
                {
                    Debug.WriteLine("Got some child nodes");
                }
                else
                {
                    Debug.WriteLine("Unable to find input nodes as children of Form");
                }
            }
            var inputNodes = htmlDoc.DocumentNode.SelectNodes("//input");
            if (inputNodes != null && inputNodes.Count > 0)
            {
                Debug.WriteLine(string.Format("Found {0} input nodes when parsed from root", inputNodes.Count ) );
            }
        }
        else
        {
            Debug.WriteLine("Found no forms");
        }
    }

输出的是：

Form form1 has no children
Unable to find input nodes as children of Form
Form form2 has no children
Unable to find input nodes as children of Form
Found 3 input nodes when parsed from root

我期望Form1和Form2都有子节点，输入[@type]将能够为form1找到2个节点，为form2找到1个节点

是否存在我不应该使用的特定配置设置或方法？有什么想法吗？

谢谢，

史蒂夫

Answer 1

在HtmlAgilityPack网站上查看此讨论主题 - http://htmlagilitypack.codeplex.com/workitem/21782

这就是他们所说的：

这不是一个错误，而是一个功能，可配置。 FORM被视为这样，因为许多HTML页面曾经有重叠的形式，因为这实际上是原始HTML的（强大的）功能。现在存在XML和XHTML，每个人都认为重叠是一个错误，但它不是（在HTML 3.2中）。检查HtmlNode.cs文件，并修改ElementsFlags集合（或者如果您愿意，可以在运行时执行此操作）

要修改HtmlNode.cs文件，请注释掉以下行 -

ElementsFlags.Add("form", HtmlElementFlag.CanOverlap | HtmlElementFlag.Empty);

Answer 2

好吧，我现在已经放弃了HtmlAgilityPack。似乎在该库中还有更多工作要做，以使一切正常。为了解决这个问题，我已将代码移到此处使用SGMLReader库：http://developer.mindtouch.com/SgmlReader

使用此库，我的所有单元测试都会正确传递，示例代码按预期工作。

使用HtmlAgilityPack解析节点的子节点时出现问题

2 个答案: