在。net下提取网页的文本

Question

我想用C# 提取网页中的文本文字，请问要用什么方法啊？找了很多好像有关于IHTMLDocument2 和 Htmldocument 希望有好心人能提供完整点的代码。

Answer 1

webBrowser1.Document.Body.InnerText

Answer 2

提取什么样的文字?
包含HTML??还是什么.

Answer 3

using System.IO;
using System.Net;Stream instream = null;
StreamReader sr = null;
HttpWebResponse response = null;
HttpWebRequest request = null;
request = WebRequest.Create("http://www.sina.com.cn") as HttpWebRequest;
response = request.GetResponse() as HttpWebResponse;
instream = response.GetResponseStream();
sr = new StreamReader(instream, Encoding.UTF8);
//返回结果网页（html）代码 
return sr.ReadToEnd();

Answer 4

如： <td></td>中间的文本文字啊

Answer 5

三楼的应该是提取整个网页吧，这样的我已经实现了。还有devsdk说的用正则我已经做过了，是能实现。但是我想先构造DOM树，再提取文本。

Answer 6

终于自己弄出来了，其实也挺简单，然后下面我把代码共享一下，谢谢解答的人。我是先扫描浏览器，然后将开着的网页截取，用IHTMLDocument3 这个类做的内容提取，代码如下：SHDocVw.ShellWindows shellWindows = new SHDocVw.ShellWindowsClass();
            string filename;
            foreach (SHDocVw.InternetExplorer ie in shellWindows)
            {
                filename = Path.GetFileNameWithoutExtension(ie.FullName).ToLower();
                if (filename.Equals("iexplore") || filename.Equals("ttraveler"))
                {
                    Console.WriteLine("Web Site: {0}", ie.LocationURL);
                    mshtml.IHTMLDocument2 htmlDoc = ie.Document as mshtml.IHTMLDocument2;                    Console.WriteLine("文件 Snippet: {0}", ((htmlDoc != null) ? htmlDoc.body.outerHTML.Substring(0, 100) : "***Failed***"));
                    Console.WriteLine("{0}{0}", Environment.NewLine);                    mshtml.IHTMLDocument3 htmlDoc3 = ie.Document as mshtml.IHTMLDocument3;
                    mshtml.IHTMLElementCollection hec = htmlDoc3.getElementsByTagName("TD");
                    
                    foreach (mshtml.IHTMLElement he in hec)
                    {
                        Console.WriteLine(he.innerText);
                    }
                  //  mshtml.IHTMLElement he = (mshtml.IHTMLElement)hec.item(0, 0);
                  
                     Console.ReadKey();
                }
              
            }

Answer 7

可以试试用正则表达式来分析文本！.net库里的正则表达式还是很好用的！

Answer 8

呵呵，已经用过了，但是觉得有点死板，不知道是不是同意我的说法。
比如说我想提取具体的标签"td"下的文本，我只能先提取都是 <td>的所有标签，然后去掉html代码，
但是我要提取很多不同类型的文本，这样的话不同html网页框架是不一样的啊。包含文本的标签也是不一样的啊。我就要写很多判断和分析。
感觉这样不灵活。不知道大虾有没有好的建议呢？？