一个稍微有点难度的问题：如何做HTML语法分析？

Question

JAVA中有类帮助实现,这里有篇JAVA的文章:
http://www.chinajavaworld.net/doc/lang/46.htmlC#中又该如何做呢?

Answer 1

A Yacc grammar for HTML
http://www.di.unito.it/mail_archive/YACCHTML/0000.htmlAn Elementary HTML Parser
http://www.codeproject.com/csharp/HTMLParser.asp

Answer 2

or getGotDotNet User Sample: SgmlReader 1.1 
http://www.gotdotnet.com/Community/UserSamples/Details.aspx?SampleGuid=B90FDDCE-E60D-43F8-A5C4-C3BD760564BC

Answer 3

其实每个生成的html页面都可以把它们提炼成一个xml文件, 你就寻找此文件中是否包含了<A>,
<TABLE> 这种标签的字符串, 取得它们的内容, 起始位置就是"<A...", 结束位置就是再找到一个"/A>"然后再分析<a 里面的各个属性的名称和值,,做起来也很有意思可惜偶有其它东东要忙

Answer 4

正则表达式中不是有分组和命名捕获字符串有匹配这项吗？我觉得应该可行。
如从 URL 提取协议和端口号
String Extension(String url)    {      Regex r = new Regex(@"^(?<proto>\w+)://[^/]+?(?<port>:\d+)?/",         RegexOptions.Compiled);      return r.Match(url).Result("${proto}${port}");    }

Answer 5

如果碰到都是规则的HTML代码还好,要是碰到写的不很规范的(但是你不能说有错),分析起来难度就大多了.不知道大家有什么好的建议?

Answer 6

知道csc干嘛的把，它有个过程是词法分析器分析词法。
实际上html也是门语言，它也有词法分析器，如果不闲麻烦，可以做个简单点的词法分析器，来实现你的这些功能，这也不是很难的，只是有点麻烦。正则表达式的话只要你的表达式精确，应该是没有问题的。

Answer 7

var images = document.all.tags("IMG");
for (var iImgCounter = 0; iImgCounter < images.length; iImgCounter++) {
var imgTmp = images(iImgCounter);
var urlTmp = imgTmp.href;.....

Answer 8

【利用 Microsoft 的 HTML 分析器来获得 Web 站点的数据】http://www.microsoft.com/china/msdn/workshop/scrape.asp#top看看就知道怎么做了，我想这样做才是最好的解决方案大家一起学习....