Question

我正在寻找一种从html文档中提取html“片段”的有效方法。我的first implementation使用了Html Agility Pack。这似乎是一个合理的方法来解决这个问题，直到我开始在大型html文档上运行提取 - 性能非常差，因为这些微不足道的事情（我猜是因为解析整个文档需要花费的时间））。

有人能建议更有效的方法来实现我的目标吗？

总结：

为了我的目的，一个html“片段” 被定义为内部的所有内容 html的<body>标记文档
理想情况下，我想退回内容如果没有，则不会改变包含<html>或<body> （我假设我通过了一个HTML 片段开头）
我在内存中提供了整个html文档（作为字符串），我不会按需流式传输它 - 所以潜在的解决方案不需要担心。
绩效至关重要，因此潜在的解决方案应该考虑到这一点。

示例输入：

<html>
   <head>
     <title>blah</title>
   </head>
   <body>
    <p>My content</p>
   </body>
</html>

期望输出：

<p>My content</p>

欢迎使用C＃或VB.NET中的解决方案。

Answer 1

大多数html不符合XHTML标准。我会做一个HTTP get请求，并搜索.Contains("<body>")和.Contains("</body>")的结果文本。您可以将这两个位置用作读取器流的开始和停止索引。在body标签之外，您实际上不需要担心XML合规性。

Answer 2

您可以使用WebBrowse控件破解它并利用webBrowser1.document属性（虽然不确定您要完成的任务）。

Answer 3

如果我没记错的话，我过去用XPathNavigator做过类似的事情。我觉得它看起来像这样：

        XPathDocument xDoc = new System.Xml.XPath.XPathDocument(new StringReader(content));
        XPathNavigator xNav = xDoc.CreateNavigator();
        XPathNavigator node = xNav.SelectSingleNode("/body");

您可以将/body更改为您需要查找的内容。

从html文档中提取html片段

3 个答案: