XPath 在 HtmlAgilityPack C# 中不起作用

Question

我正在尝试解析此网页 http://www.aliexpress.com/wholesale?site=glo&SearchText=watch&page=1 并获取所有手表。然而，我用 HTMLAgilityPack 尝试了十几种不同的 XPath，我只能抓取 4 个产品链接（应该是 36 个左右）。

    WebClient client = new WebClient();
        client.Headers[HttpRequestHeader.UserAgent] = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.80 Safari/537.36";
    var html = client.DownloadString(currentUrl);
    var document = new HtmlDocument();

    document.LoadHtml(html);

     var links = doc.DocumentNode.SelectNodes("//div[@class='item']//a").Select(a => a.Attributes["href"].Value).Distinct();

我尝试了很多不同的 XPath，似乎没有任何效果，有趣的是即使“//a[@href]”也没有解析所有产品，但我再次只能看到其中 4 个的链接。

我重新检查了 html 它正在加载，我可以看到更多产品。那么问题是什么？这是一些 HtmlAgilityPack 问题吗？谁能帮忙，我现在已经为此苦苦挣扎了三天...

Answer 1

注意：我针对 http://www.aliexpress.com/wholesale?site=glo&SearchText=watch&page=1

进行了测试

这不是与 HTMLAgility 包或 XPath 相关的问题。这里的问题是这个网站正在使用一种叫做 handlebar js 的东西来实现某种类型的延迟加载。要记住的一件事是 WebClient 不是网络浏览器。也就是说，WebClient 检索服务器发送的静态 HTML 响应，并且不执行任何 javascript，而浏览器会。

如果您检查从服务器获得的原始 HTML 响应，<ul class="util-clearfix son-list util-clearfix" id="hs-below-list-items"> 元素中只有四个项目：

<ul class="util-clearfix son-list util-clearfix" id="hs-below-list-items">
    <!-- each li here is the ancestor of an anchor tag that you're hoping to scrape -->
    <li qrdata="200214047|32341478696|cn1513149702"  class="list-item list-item-first ">... </li>
    <li qrdata="200214047|32259964358|ali900189121"  class="list-item list-item-first ">...</li>
    <li qrdata="200214021|32388460600|cn1000737283"  class="list-item list-item-first ">..</li>
    <li qrdata="200214007|32400985609|cn1513217672"  class="list-item list-item-first ">...</li>
</ul>

在那之后，有一个脚本块，其余项目所在：

<script type="text/x-handlebars-template" id="lazy-render" class="lazy-render">
    <li qrdata="200214007|32390805633|cn111508265"  class="list-item   ">
    ....
</script>

当您在 HtmlDocument 对象中加载 Raw HTML 时，它会将 <script> 元素中的内容视为 NodeType.Text。这就是您没有得到想要的结果的原因。

也就是说，这里有一个解决方法：

var links = document.DocumentNode.SelectNodes("//a[@class='picRind history-item ']|//a[@class='picRind history-item j-p4plog']").Select(a => a.Attributes["href"].Value).Distinct();
foreach (var link in links)
{
    Console.WriteLine(link);
}

var lazyContent = new HtmlDocument();
lazyContent.LoadHtml(document.DocumentNode.SelectNodes("//script[@id='lazy-render']").First().ChildNodes[0].InnerHtml);
var lazyLinks = lazyContent.DocumentNode.SelectNodes("//a[@class='picRind history-item ']|//a[@class='picRind history-item j-p4plog']")
                .Select(a => a.Attributes["href"].Value)
                .Distinct();

foreach (var link in lazyLinks)
{
    // Prints the remaining 36 product links
    Console.WriteLine(link);
}

我们在变通方法中所做的是获取脚本块，并将其视为新文档，然后抓取剩余的产品链接。

Answer 2

Yahoo 有新的格式，在使用 HAP XPath 时会导致错误。例如，HAP 无法解析来自统计选项卡的数据。试试这个 link：http://finance.yahoo.com/quote/IBM/key-statistics 获取 Price/Book (mrq) 数据。 HAP 无法解析 ..section 数据。

XPath 在 HtmlAgilityPack C# 中不起作用

XPath not working in HtmlAgilityPack C#

.net

c#

xpath

parsing

html-agility-pack