从 HTML 字符串中提取 HREF 值

Question

我正在尝试创建一个只返回来自网站的链接的爬虫，并且我让它返回 HTML 脚本。我现在想使用 if 语句来检查是否返回了字符串，如果返回，它会搜索所有“< a >”标签并向我显示 href 链接。但我不知道要检查什么对象或应该检查什么值。这是我到目前为止所拥有的：namespace crawler{    class Program    {        static void Main(string[] args)        {            System.Net.WebClient wc = new System.Net.WebClient();            string WebData wc.DownloadString("https://www.abc.net.au/news/science/");            Console.WriteLine(WebData);            // if         }    }        }

Answer 1

你可以看看HTML Agility Pack：

然后，您可以从网页中找到所有链接，例如：

 var hrefs = new List<string>();

 var hw = new HtmlWeb();

 HtmlDocument document = hw.Load(/* your url here */);

 foreach(HtmlNode link in document.DocumentNode.SelectNodes("//a[@href]"))

 {

    HtmlAttribute attribute = link.Attributes["href"];

    if (!string.IsNullOrWhiteSpace(attribute.Value))

        hrefs.Add(attribute.Value);

 }

Answer 2

首先，您可以创建一个函数来像您所做的那样返回整个网站的 HTML 代码。这是我有的！

public string GetPageContents()

{

    string link = "https://www.abc.net.au/news/science/"

    string pageContent = "";

    WebClient web = new WebClient();

    Stream stream;

    stream = web.OpenRead(link);

    using (StreamReader reader = new StreamReader(stream))

    {

        pageContent = reader.ReadToEnd();

    }

    stream.Close();

    return pageContents;

}

然后你可以创建一个函数来返回一个子字符串或一个子字符串列表（这意味着如果你想要所有 < a > 标签，你可能会得到多个标签）。

List<string> divTags = GetBetweenTags(pageContents, "<div>", "</div>")

这将为您提供一个列表，例如，您可以在其中再次搜索每个 < div > 标记内的 < a > 标记。

public List<string> GetBetweenTags(string pageContents, string startTag, string endTag)

{

    Regex rx = new Regex(startTag + "(.*?)" + endTag);

    MatchCollection col = rx.Matches(value);

    List<string> tags = new List<string>();

    foreach(Match s in col)

        tags.Add(s.ToString());

    return tags;

}

编辑：哇不知道 HTML Agility Pack，谢谢@Gauravsa 我会更新我的项目以使用它！