使用 HtmlAgilityPack 获取 href innertext

Question

我正在尝试创建一个新闻代理以从 websites.so 获取新闻，我必须使用 html parser，例如 HtmlAgilityPack。所以在这里您可以看到我的代码：

public async void parsing(string website)
{
    HttpClient http = new HttpClient();
    var response = await http.GetByteArrayAsync(website);
    String source = Encoding.GetEncoding("utf-8").GetString(response, 0, response.Length - 1);
    source = WebUtility.HtmlDecode(source);
    HtmlDocument resultat = new HtmlDocument();
    resultat.LoadHtml(source);
    List<HtmlNode> toftitle = resultat.DocumentNode.Descendants().Where
      (x => (x.Name == "div" && x.Attributes["class"] != null && x.Attributes["class"].Value.Contains("latest-news"))).ToList();
    var li = toftitle[0].Descendants("li").ToList();
    foreach (var item in li)
    {
        var link = item.Descendants("a").ToList()[0].GetAttributeValue("href", null);
        var img = item.Descendants("img").ToList()[0].GetAttributeValue("src", null);
    }
}

这是我应该解析的 html 代码：

<a href="/news?p_p_id=56_INSTANCE_tVzMoLp4zfGh&amp;_56_INSTANCE_tVzMoLp4zfGh_mode=news&amp;_56_INSTANCE_tVzMoLp4zfGh_newsId=3153832&amp;p_p_state=maximized">› پانل «بررسي سازوکارهاي تأمين منابع مالي براي توسعۀ فناوري» به‌عنوان پانل برتر پنجمين کنفرانس بين‌المللي و نهمين کنفرانس ملي مديريت فناوري معرفي شد</a>


<a href="/news?p_p_id=56_INSTANCE_tVzMoLp4zfGh&amp;_56_INSTANCE_tVzMoLp4zfGh_mode=news&amp;_56_INSTANCE_tVzMoLp4zfGh_newsId=3135970&amp;p_p_state=maximized">› فرآیند و فرم درخواست استفاده از تسهیلات حمایتی بلاعوض صندوق نوآوری و شکوفایی جهت حضور شرکت های دانش بنیان در جایزه ملی مدیریت فناوری و نوآوری</a>

所以问题是我可以得到 href link 但不能得到 href value。我的意思是我可以得到新闻 url 但不能得到标题 پانل «بررسي سازوکارهاي تأمين منابع مالي براي توسعۀ فناوري» به‌عنوان پانل برتر پنجمين کنفرانس بين‌المللي و نهمين کنفرانس ملي مديريت فناوري معرفي شد.

我怎样才能得到它？

Answer 1

你可以这样使用：

 HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
 doc.LoadHtml(result);
 foreach (HtmlNode link in doc.DocumentNode.SelectNodes("a"))
        {
            string value = link.InnerText; // here you can get href value 
        }

Answer 2

我应该使用这段代码来获取 href 的内部文本：

string tistle = item.Descendants("a").ToList()[0].InnerText;

Answer 3

您的代码可以稍微清理成这样：

List<HtmlNode> toftitle = resultat.DocumentNode
                                  .Descendants("div")
                                  .Where(x => GetAttributeValue("class","").Contains("latest-news"))
                                  .First();
foreach (HtmlNode item in toftitle.Descendants("li"))
{
    var link = item.Descendants("a").First();
    var url = link.GetAttributeValue("href", null); //get the link url
    var text = link.InnerText.Trim(); //get the link text

    var img = item.Descendants("img").First().GetAttributeValue("src", null);
}

基本上，您应该使用 First() 或 FirstOrDefault() 而不是 ToList()[0] 来获取 IEnumerable<T> 的第一项。

使用 HtmlAgilityPack 获取 href innertext

Get the href innertext with HtmlAgilityPack

.net

html

c#

html-parser

html-agility-pack