C#读取HTML页面内容解决办法
日期：2014-05-20 浏览次数：20669 次
C#读取HTML页面内容
我想从一个HTML页面里读出他的文字内容,有什么好的办法!?
------解决方案--------------------
这个我刚刚做过一个新闻内容抓取的东东，把经验分享一下：
首先利用正则表达式把 <html标签> 全部列出来，然后进行批对 <html> </html> 为一对，这样你就拿到了一个从html为根的树。至于批对的原则——就近批对原则。碰到 <img src=xxx /> 就自我批对。可以利用栈的后进先出原则写出一个批对算法，这个还是很简单的。这样批对了然后你才能很好的分析出那些是内容，那些是html的格式，比如我就碰到过 <伤城> 这样的字样，很明显它是内容。
在做这个之前 建议把 <!--到--> 、 <script> 到 </script> 的内容都删掉，这些内容基本上都没有用的。
我想从一个HTML页面里读出他的文字内容,有什么好的办法!?
------解决方案--------------------
这个我刚刚做过一个新闻内容抓取的东东，把经验分享一下：
首先利用正则表达式把 <html标签> 全部列出来，然后进行批对 <html> </html> 为一对，这样你就拿到了一个从html为根的树。至于批对的原则——就近批对原则。碰到 <img src=xxx /> 就自我批对。可以利用栈的后进先出原则写出一个批对算法，这个还是很简单的。这样批对了然后你才能很好的分析出那些是内容，那些是html的格式，比如我就碰到过 <伤城> 这样的字样，很明显它是内容。
在做这个之前 建议把 <!--到--> 、 <script> 到 </script> 的内容都删掉，这些内容基本上都没有用的。
免责声明： 本文仅代表作者个人观点，与爱易网无关。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。
