[C#] - HTML轉成XML做Xpath

最近有一個需求是要做HTML的資料擷取，在以前是使用字串處理在運作，

後來運用正規式(Regular Expression)做分析擷取，不過有一個缺點就是維護不容易，

當原本要擷取的網頁異動時，便要全部重寫維護成本太高，

最近看了網路上的文章有人使用Xpath，才想到可以透過XML的特性去做分析擷取，

維護上也比較容易，不過要自己寫一個轉換的模組有些花時間，


既然自己想的到，浩瀚的網路一定有人做，

找了好幾款如：Html Agility Pack、Html2Xhtml、Tidy、MarkupConverter

不過效果都不盡理想，就要放棄的時候...出現曙光SGMLReader

這是今天要介紹的，使用很簡單，

如下程式碼所示：

XmlDocument FromHtml(TextReader reader) {

    // setup SGMLReader
    Sgml.SgmlReader sgmlReader = new Sgml.SgmlReader();
    sgmlReader.DocType = "HTML";
    sgmlReader.WhitespaceHandling = WhitespaceHandling.All;
    sgmlReader.CaseFolding = Sgml.CaseFolding.ToLower;
    sgmlReader.InputStream = reader;

    // create document
    XmlDocument doc = new XmlDocument();
    doc.PreserveWhitespace = true;
    doc.XmlResolver = null;
    doc.Load(sgmlReader);
    return doc;
}

看一下做了Sample抓出來的資料，如下圖

若真的想要自己做一個Dom的分析的話，可以參考Kelp的作品C# 分析 HTML 資料 - Mana Html Parser
P.S.文章轉載請附上出處
</br>
2011.10.29 By YC