利用htmlparser把html转成xlm...

      最近在做一些网页信息采集的工作，说通俗点就是爬虫工具，要监控页面中某一部分内容是否发生变化。起初考虑用正则表达式去匹配网页源码，经过咨询有经验人士，推荐使用xpath去获取页面内容能获得更好的效率。但是对于html这种宽松语法要求的语言来说，不可能100%地完全符合xml标准，那么就没法使用xpath，说得更直接点就是：不能把html源码直接加载到xmldocument中。为了使用xpath，只能对html内容进行转换或者规范，于是就写了这么一个方法。

该方法比较地偷懒，借助了开源工具htmlparser获取html源码中的所有节点，然后遍历各个节点，转换为对应的xmlnode。对于html中有未闭合的节点，在转换后实际代码会有一些差别，但是不影响xpath的使用（这也跟如何写xpath的内容有关）。

实现方式如下，需引用htmlparser的dll

/// <summary> /// 解析Xml文件的帮助类 /// </summary> public class XMLHelper { /// <summary> /// 有效名称的正则表达式 /// </summary> static string validName = @"^[^\$\/;""\!#\)\.]+$"; #region CovertHtmlToXml /// <summary> /// 转换html源码为xml格式 /// </summary> /// <param name="html">html源码</param> /// <returns>xml字符串</returns> /// <param name="TargetTag">需转换的标记名</param> public static string CovertHtmlToXml(string html, string targetTag) { try { XmlDocument doc = new XmlDocument(); XmlNode xmlDeclaration = doc.CreateXmlDeclaration("1.0", "utf-8", null); doc.AppendChild(xmlDeclaration); // 借助htmlparser解析html内容 Parser parser = Parser.CreateParser(html, "GBK"); // 筛选出指定的节点 TagNameFilter tnf = new TagNameFilter(targetTag); NodeList nodes = parser.Parse(tnf); // 创建根节点 XmlElement root = doc.CreateElement("Tags"); TagNode tagNode = null; Hashtable ht = null; XmlAttribute attr = null; XmlElement parent = null; for (int i = 0; i < nodes.Size(); i++) { tagNode = nodes[i] as TagNode; parent = doc.CreateElement(tagNode.TagName); // 添加属性 ht = tagNode.Attributes; foreach (DictionaryEntry ent in ht) { // 查看属性名是否合法 if (Regex.IsMatch(ent.Key.ToString(), validName)) { attr = doc.CreateAttribute(ent.Key.ToString()); attr.Value = ent.Value.ToString(); parent.Attributes.Append(attr); } }// end foreach (DictionaryEntry ent in ht) AppendChild(tagNode, parent, doc); root.AppendChild(parent); } doc.AppendChild(root); return doc.OuterXml; //throw new Exception("给定的html文本必须至少包含一个" + targetTag + "节点"); } catch (Exception ex) { throw new Exception("转换html内容出错:" + ex.Message); } } /// <summary> /// 添加子节点 /// </summary> /// <param name="tagNode">Html的父节点</param> /// <param name="parent">Xml的父节点</param> /// <param name="doc">Xml文档对象</param> private static void AppendChild(INode tagNode, XmlNode parent, XmlDocument doc) { INode node = null; XmlNode xmlNode = null; XmlAttribute attr = null; Hashtable ht = null; // 判断是否包含子节点 if (tagNode.Children != null && tagNode.Children.Size() > 0) { for (int i = 0; i < tagNode.Children.Size(); i++) { node = tagNode.Children[i]; xmlNode = null; attr = null; ht = null; // 如果是html标记节点 if (node is TagNode) { TagNode tn = node as TagNode; if (Regex.IsMatch(tn.TagName, validName)) { xmlNode = doc.CreateElement(tn.TagName); // 添加属性 ht = tn.Attributes; foreach (DictionaryEntry ent in ht) { // 查看属性名是否合法 if (Regex.IsMatch(ent.Key.ToString(), validName)) { attr = doc.CreateAttribute(ent.Key.ToString()); attr.Value = ent.Value.ToString(); xmlNode.Attributes.Append(attr); } } } } // 如果是文本节点 if (node is TextNode) { xmlNode = doc.CreateTextNode((node as TextNode).ToPlainTextString()); } if (xmlNode != null) { parent.AppendChild(xmlNode); AppendChild(node, xmlNode, doc); } } } } #endregion }

摘自网络：http://www.cnblogs.com/shenba/archive/2009/04/12/1434050.html