parser - Bibliotecas de análisis HTML para.NET

parse html online

Question

Estoy buscando bibliotecas para analizar HTML para extraer enlaces, formularios, etiquetas, etc.

• http://www.majestic12.co.uk/projects/html_parser.php
• http://www.netomatix.com/Products/DocumentManagement/HtmlParserNet.aspx
• http://www.developer.com/net/csharp/article.php/2230091

LGPL o cualquier otra licencia amigable para el desarrollo comercial son preferibles.

¿Tienes alguna experiencia con una de estas bibliotecas? ¿O podrías recomendar otra biblioteca similar?

Answer 1

HTML Agility Pack tiene ejemplos de exactamente este tipo de cosas, y usa xpath para consultas familiares, por ejemplo (desde la página de inicio), para encontrar todos los enlaces es simplemente:

foreach(HtmlNode link in doc.DocumentElement.SelectNodes("//a@href")) {
    //...
}

EDITAR

A partir del 19/06/2012, el código anterior, así como el único ejemplo de código que se muestra en la página HTML Agility Pack Examples no funcionarán. Solo necesita un ligero ajuste como se muestra a continuación.

HtmlDocument doc = new HtmlDocument();
doc.Load("file.htm");

foreach (HtmlNode link in doc.DocumentNode.SelectNodes("//a[@href]"))
{
  HtmlAttribute att = link.Attributes["href"];
  att.Value = Foo(att); // fix the link
}
doc.Save("file.htm");