c#中用正则表达式解析html代码

Question

我想做一个网页抽取 用c# 很多人说用正则表达式 可是我不懂这个东西
请教哪位大虾能给我讲讲 最好有源代码例子
快交毕设了 谢了

Answer 1

on regular expressionsbest book (chap 9 on .net is downloadable)
http://www.oreilly.com/catalog/regex2/site:
http://www.regexlib.com/search.aspx
Screen Scraping with C# for ASP.NET
http://www.codeproject.com/aspnet/weather.asphttp://www.codersource.net/csharp_screen_scraping.htmluse SgmlReader to convert html to xmlhtml:http://www.gotdotnet.com/Community/UserSamples/Details.aspx?SampleGuid=b90fddce-e60d-43f8-a5c4-c3bd760564bcHTML to XHTML Conversion with SGMLReader
http://www.eggheadcafe.com/articles/20030317.asp

Answer 2

http://community.csdn.net/Expert/topic/3984/3984842.xml?temp=.6792414

Answer 3

看我Blog:[原]C#中利用Markup Service实现HTML解析为DOM Tree
http://www.blogcn.com/user53/lexchou/blog/23231029.html原贴如下：
[原]C#中利用Markup Service实现HTML解析为DOM Tree一个轻量级Parsing 实现。这个代码不会从网上下载任何资料，也不会执行任何脚本，纯属Parsing。
Parsing是通过MSHTML的Markup Service实现的。要正确使用这个代码，需要添加MSHTML引用。
由于.net中没有定义IPersistStreamInt接口，就必须自己实现，接口定义：
以下内容为程序代码:[ComVisible(true), ComImport(), Guid("7FD52380-4E07-101B-AE2D-08002B2EC713 " ） , InterfaceTypeAttribute(ComInterfaceType.InterfaceIsIUnknown)] 
public interface IPersistStreamInit  
{ 
 void GetClassID([In, Out] ref Guid pClassID);
 [return: MarshalAs(UnmanagedType.I4)] [PreserveSig] 
 int IsDirty(); 
 void Load([In, MarshalAs(UnmanagedType.Interface)] UCOMIStream pstm); 
 void Save([In, MarshalAs(UnmanagedType.Interface)] UCOMIStream pstm,  
  [In, MarshalAs(UnmanagedType.I4)] int fClearDirty); 
 void GetSizeMax([Out, MarshalAs(UnmanagedType.LPArray)] long pcbSize); 
 void InitNew(); 
} 
 
 
以下内容为程序代码:  unsafe IHTMLDocument2  Parse(string s)
  {
   IHTMLDocument2 pDocument=new HTMLDocumentClass();   
   if(pDocument!=null)
   {
    IPersistStreamInit pPersist=pDocument as IPersistStreamInit ;
    pPersist.InitNew();
    pPersist=null;
    IMarkupServices ms=pDocument as IMarkupServices ;
    if(ms!=null)
    {
     IMarkupContainer pMC=null;
     IMarkupPointer pStart,pEnd;
     ms.CreateMarkupPointer(out pStart);
     ms.CreateMarkupPointer(out pEnd);
     StringBuilder sb=new StringBuilder(s);  
     IntPtr pSource=Marshal.StringToHGlobalUni(s);
     ms.ParseString(ref *(ushort*)pSource.ToPointer(),0,out pMC,pStart,pEnd);
     if(pMC!=null)
     {
      Marshal.Release(pSource);
      return pMC as IHTMLDocument2;
     }
     Marshal.Release(pSource);
    }
   }
   return null;
  }
 
 写代码的时候出了一点问题，IMarkupService::ParseString第一个参数是ref ushort，显然要传入HTML代码，这个ushort必须是第一个WideChar了，所以这里通过使用不安全代码来绕过编译器警告。