c# - pagina - Obtener todos los enlaces en la página html?

html parser c#

Question

Estoy trabajando en un pequeño proyecto de hobby. Ya he escrito el código para obtener una URL, descargo el encabezado y devuelvo el tipo de tipo / contenido de mimo.

Sin embargo, el paso anterior es el que yo prefiero: necesito recuperar el contenido de todas las URL en la página dentro de una etiqueta, y entre comillas, es decir,

...
<link rel=''shortcut icon'' href="/static/favicon.ico" type="image/x-icon" />
...

Encontraría el enlace de favicon.

¿Hay algo útil en la biblioteca .net o va a ser un caso para regex?

Answer 1

¿Qué hay de Regex?

<(a|link).*?href=(/"|'')(.+?)(/"|'').*?>

con banderas IgnoreCase y SingleLine

Vea la demostración en systemtextregularexpressions.com regex.matches

Answer 2

Debe usar HTML Agility Pack .

Por ejemplo:

var doc = new HtmlWeb().Load(url);
var linkTags = doc.DocumentNode.Descendants("link");
var linkedPages = doc.DocumentNode.Descendants("a")
.Select(a => a.GetAttributeValue("href", null))
.Where(u => !String.IsNullOrEmpty(u));

Answer 3

Me gustaría ver el uso del paquete Html Agility .

Aquí hay un ejemplo directamente de su página de ejemplos sobre cómo encontrar todos los enlaces en una página:

 HtmlWeb hw = new HtmlWeb();
HtmlDocument doc = hw.Load(/* url */);
foreach(HtmlNode link in doc.DocumentNode.SelectNodes("//a[@href]"))
{
}

Answer 4

No hay nada integrado en el BCL, pero afortunadamente puede usar el HTML Agility Pack para realizar esta tarea de manera bastante simple.

En cuanto a su problema específico, consulte Extracción fácil de enlaces de un fragmento de html con HtmlAgilityPack :

private List<string> ExtractAllAHrefTags(HtmlDocument htmlSnippet)
{
List<string> hrefTags = new List<string>();
foreach (HtmlNode link in htmlSnippet.DocumentNode.SelectNodes("//a[@href]"))
{
HtmlAttribute att = link.Attributes["href"];
hrefTags.Add(att.Value);
}
return hrefTags;
}