C# (.NET) 中的 HTML 解析：HtmlAgilityPack 和 AngleSharp 库

C# (.NET) 中的 HTML 解析：HtmlAgilityPack 和 AngleSharp 库概述

HTML 解析是开发网页抓取工具、内容分析器或自动化测试时的关键任务之一。在 .NET 生态系统中，有几个强大的库允许您从 HTML 文档中提取数据、操作 DOM 树并执行复杂查询。在本文中，我们将介绍两个最流行的库：HtmlAgilityPack 和 AngleSharp。您将了解它们的特点、优势，并获得现成的 C# 代码示例。

HtmlAgilityPack：经典方法

HtmlAgilityPack (HAP) 是 .NET 中最古老且最常用的 HTML 解析库。它提供了一个直观的 API 用于导航 DOM 树，支持 XPath 和 LINQ 查询。主要功能：

• 从字符串、文件或 URL 加载 HTML。
• 支持 XPath 1.0 以精确查找元素。
• 处理属性、文本和嵌套节点。
• 自动修复格式错误的 HTML（例如，未闭合的标签）。

安装

通过 NuGet 安装库：

Install-Package HtmlAgilityPack

或通过 .NET CLI：

dotnet add package HtmlAgilityPack

示例：提取新闻标题

假设我们需要从新闻网站解析标题。以下是使用 HAP 和 XPath 的方法：

using HtmlAgilityPack;using System;using System.Linq;

class Program{    static void Main()    {        // 加载 HTML 文档        var web = new HtmlWeb();        var doc = web.Load("https://example-news.com");                // 选择所有 class 为 "news-title" 的 h2 标题        var titles = doc.DocumentNode            .SelectNodes("//h2[@class='news-title']");                if (titles != null)        {            foreach (var title in titles)            {                Console.WriteLine(title.InnerText.Trim());            }        }    }}

在此示例中，我们使用 XPath 表达式 //h2[@class='news-title'] 来查找所有具有指定 class 的 <h2> 元素。方法 SelectNodes 返回节点集合，而 InnerText 提取不带 HTML 标签的文本。

处理属性

通常需要获取属性的值，例如 <a> 标签中的链接：

var links = doc.DocumentNode.SelectNodes("//a[@href]");if (links != null){    foreach (var link in links)    {        string href = link.GetAttributeValue("href", "");        Console.WriteLine(href);    }}

AngleSharp：带有 CSS 选择器的现代解析器

AngleSharp 是一个更现代的库，不仅支持 XPath，还支持 CSS 选择器，这使得熟悉 Web 技术的开发人员使用起来更加方便。它还完全符合 W3C 标准，并且可以处理动态内容。

• 支持 CSS 选择器（类似于 jQuery）。
• 处理 HTML、XML、SVG 和 MathML。
• 能够执行 JavaScript（通过扩展）。
• 异步文档加载。

安装

dotnet add package AngleSharp

示例：使用 CSS 选择器提取数据

重复之前的示例，但现在使用 AngleSharp 和 CSS 选择器：

using AngleSharp;using AngleSharp.Html.Parser;using System;using System.Linq;using System.Threading.Tasks;

class Program{    static async Task Main()    {        // 创建解析器        var parser = new HtmlParser();                // 加载 HTML（可以从字符串或 URL）        var document = await parser.ParseDocumentAsync(            a