Question

我正在使用Html Agility Pack并尝试从以下html代码中提取链接和链接文本。网页从远程页面获取，并作为整体保存在本地。然后从这个本地网页我试图提取链接和链接文本。该网页在其页面内自然有其他html代码，如其他链接文本等，但为了清楚起见，此处将其删除。

<span class="Subject2"><a href="/some/today.nsf/0/EC8A39D274864X5BC125798B0029E305?open">
Description 1 text here</span> <span class="time">2012-01-20 08:35</span></a><br>
<span class="Subject2"><a href="/some/today.nsf/0/EC8A39XXXX264X5BC125798B0029E312?open">
Description 2 text here</span> <span class="time">2012-01-20 09:35</span></a><br>

但是，以上是尝试提取链接和链接文本时最常用的内容。

这就是我希望看到的结果

<link>/some/today.nsf/0/EC8A39D274864X5BC125798B0029E305</link>
<title>Description 1 text here</title>
<pubDate>Wed, 20 Jan 2012 07:35:00 +0100</pubDate>

<link>/some/today.nsf/0/ EC8A39XXXX264X5BC125798B0029E312</link>
<title>Description 2 text here</title>
<pubDate> Wed, 20 Jan 2012 08:35:00 +0100</pubDate>

到目前为止，这是我的代码：

var linksOnPage = from lnks in document.DocumentNode.SelectNodes("//span[starts-with(@class, 'Subject2')]")

(lnks.Name == "a" &&
lnks.Attributes["href"] != null &&
lnks.InnerText.Trim().Length > 0)

select new
{
Url = lnks.Attributes["href"].Value,
Text = lnks.InnerText
Time = lnks. Attributes["time"].Value
};

    foreach (var link in linksOnPage)
        {
            // Loop through.
            Response.Write("<link>" + link.Url + "</link>");
      Response.Write("<title>" + link.Text + "</title>");
      Response.Write("<pubDate>" + link.Time + "</pubDate>");
        }

它没有用，我什么也没得到。

所以任何建议和帮助都将受到高度赞赏。

提前致谢。

更新：我已设法立即获取语法，以便从上面的示例中选择链接：使用以下代码：

var linksOnPage = from lnks in document.DocumentNode.SelectNodes("//span[@class='Subject2']//a")

这会很好地选择与网址和文字相关的链接，但如何获取时间戳呢？

即，选择此时间戳：

<span class="time">2012-01-20 09:35</span></a>

每个链接后面的

。根据以上内容，输出循环内的每个链接都有输出？感谢您对此提供任何帮助。

Answer 1

您的HTML示例格式不正确，这就是您获得意外结果的原因。

要找到您的第一个和第二个值，您必须在<a>中获得<span class='Subject2'> - 第一个值是href属性值，第二个值是{{1}锚的锚。要获得第三个值，您必须获得InnerText标记的以下兄弟并获取其<span class='Subject2'>。

请参阅，如何做到这一点：

InnerText

这输出类似：

var nodes = document.DocumentNode.SelectNodes("//span[@class='Subject2']//a");
foreach (var node in nodes)
{
    if (node.Attributes["href"] != null)
    {
        var link = new XElement("link", node.Attributes["href"].Value);
        var description = new XElement("description", node.InnerText);
        var timeNode = node.SelectSingleNode(
                         "..//following-sibling::span[@class='time']");
        if (timeNode != null)
        {
            var time = new XElement("pubDate", timeNode.InnerText);
            Response.Write(link);
            Response.Write(description);
            Response.Write(time);
        }
    }
}

如何通过Html Agility Pack从网页中提取链接，文本和时间戳

1 个答案: