利用SgmlReader返回XPath分析HTML

      SgmlReader是一款SGML解析器，通过解析html文件，并能有效的把html转换为格式较规范的XHTML。
      所以，再利用XPath去查找你所想要的值是非常方便的。
      个人分析HTML方法：
                  1.正则表达式 
                  2.字符串截取 
                  3.把HTML代码当成树形结构理解，想取到哪个节点的值很方便(属xml的一种)
      最近朋友需要一些房地产的数据，我试着找了一些采集的方法，google很多，最终无果。花一个晚上自己写了个简单房地产数据采集。

      核心是利用SgmlReader生成XHTML文档后，根据XPath 语句来读取数据。
      步骤： 
             1. 下载WebURL HTML 代码以StreamReader 返回

 1                 Random ro = new Random();
 2                 int r = ro.Next();
 3                 string strUrl = url + "&id=" + r.ToString();
 4 
 5                 HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create(strUrl);
 6                 request.Method = WebRequestMethods.Http.Get;
 7                 request.Timeout = 10000;
 8                 HttpWebResponse response = (HttpWebResponse)request.GetResponse();
 9                 StreamReader reader = new StreamReader(response.GetResponseStream(), System.Text.Encoding.GetEncoding("utf-8"));
10 
11                 return reader;

             2.在得到远程的HTML文件后，你就可以创建一个SgmlReader类的实例了。通过将其DocType属性设置为“HTML”，HTML文件的响应流可以被加载到SgmlReader实例，通过其InputStream属性进行解析。首先将HTML文件流加载到一个TextReader对象，然后将TextReader赋值给InputStream属性：

             SgmlReader reader = new SgmlReader();
2             reader.DocType = "HTML";
3             reader.InputStream = new StringReader(sReader.ReadToEnd());//sReader为远程HTML所返回的

            3.现在，你就可以通过调用SgmlReader的Read()方法来解析HTML文件了：

 1             StringWriter sw = new StringWriter();
 2             XmlTextWriter writer = new XmlTextWriter(sw);
 3             writer.Formatting = Formatting.Indented;
 4             while (reader.Read())
 5             {
 6                 if (reader.NodeType != XmlNodeType.Whitespace)
 7                 {
 8                     writer.WriteNode(reader, true);
 9                 }
10             }

            4.因为SgmlReader创建了格式规范的HTML，所以你可以用XPath语句来读取不同的节点。下面的代码说明了如何将SgmlReader生成的输出结果加载到一个XPathNavigator，然后如何用一个XPath语句来查询HTML文件结构： 

            XPathDocument doc = new XPathDocument(new StringReader(sw.ToString()));
            XPathNavigator nav = doc.CreateNavigator();
            XPathNodeIterator nodes = nav.Select(xPaths);//xpath表达式
              while (nodes.MoveNext())
            {
                str += nodes.Current.Value + "|";//str为你所根据xpath取到的值
            }
            return str;

            例：如下HTML代码，要取到这个img的src地址

HTML：
<div class="pBorder" align="left">
<img src="http://pic.xxxxx.com/images/images/2009-04/461232.jpg" alt="新世界四季山水" title="新世界四季山水">
</div>

XPath 为：xpath = "//div[@class='pBorder']/img/@src";

传入上面方法中及返回：http://pic.xxxxx.com/images/images/2009-04/461232.jpg

 

如果你对XPath语言已经很熟悉，并了解.NET Framework中不同的XML解析API了，那么你就可以很容易地用SgmlReader类来解析HTML并读取数据了。

附:
      SgmlReader下载：http://download.csdn.net/source/1440928   这个地址需一个积分，我也被扣一个，呵。