Html解析敏捷

Question

有人可以请帮忙解决在C＃中敏捷解析Html顺序标签的麻烦吗？我有两个问题列在下面。

在这种情况下，我想解析下面的Html并将它们存储到结构（列表，堆栈等）中，以便我可以有效地使用这些数据。

<h3> header </h3> 
<p> paragraph 1</p> 
<p> 
<a href="www.google.com">Google</a> 
<a href="www.gizmodo.com">Gizmodo</a> 
</p> 
<ul> 
<li> something is here with a download 
<a href="www.google.com">link</a> 
</li> 
<li> hello 
<img src="www.imagesource.com"/> 
</li> 
</ul> 

1. 如何分析在连续的方式处理这些数据？

   如果我使用var ParaTags = HtmlDocument.DocumentNode.Descendants("p");, 那么我只能得到所有的“p”标签。但我不知道如何依次获得“h3”，然后“p”，因为“p”不在“h3”内。

下面的代码将返回我的所有超链接，

var links = 
    from paras in document.DocumentNode.Descendants("p") 
    from hyperLinks in paras.Descendants("a").Where(x => x.Attributes["href"].Value != "") 
    select hyperLinks; 

1. 什么来解析和存储这些混合内容与字符串，超链接和图像的最佳方法是什么？ 因此我可以稍后以有效的方式输出它们吗？列表，堆栈？ 另一个词，我想存储来自html的每一个可能的内容，如果可能的话，保留它的格式。所以一旦我将它重新加载到应用程序中，我就可以以适当的格式模仿内容。

谢谢！

Answer 1

如果要提取所有href和src属性，你可以试试这个：

using System; 
using System.Linq; 
using HtmlAgilityPack; 

public class Program 
{ 
    static void Main() 
    { 
     var document = new HtmlDocument(); 
     document.Load("test.html"); 
     var links = 
      from element in document.DocumentNode.Descendants() 
      let href = element.Attributes["href"] 
      let src = element.Attributes["src"] 
      where href != null || src != null 
      select href != null ? href.Value : src.Value; 

     foreach (var link in links) 
     { 
      Console.WriteLine(link); 
     } 
    } 
} 

输出：

www.google.com 
www.gizmodo.com 
www.google.com 
www.imagesource.com