c#把HTML转换为XML格式

Question

有没有现成的类，或者第三方dll，现在有急用，各位帮帮忙。
我就想取标签中的文本内容

Answer 1

CYQ.Data 数据框架 除了可以操作数据库[access、mssql、oracle、sqlite、mysql]之外，CYQ.Data.Xml名称空间下的XmlHelper类，可以非常方便操作html/xml

Answer 2

或者参考这个例子，这个例子是提取所有超链接的：
using System; 
using System.Xml; 
using System.Text; 
using System.Net; 
using System.IO; 
using System.Collections; 
using System.Text.RegularExpressions; public class App 
{ 
public static void Main() 
{ 
string strCode; 
ArrayList alLinks; Console.Write("请输入一个网页地址："); 
string strURL = Console.ReadLine(); 
if(strURL.Substring(0,7) != @"http://") 
{ 
strURL = @"http://" + strURL; 
} Console.WriteLine("正在获取页面代码，请稍侯..."); 
strCode = GetPageSource(strURL); Console.WriteLine("正在提取超链接，请稍侯..."); 
alLinks = GetHyperLinks(strCode); Console.WriteLine("正在写入文件，请稍侯..."); 
WriteToXml(strURL,alLinks); 
} // 获取指定网页的HTML代码 
static string GetPageSource(string URL) 
{ 
Uri uri =new Uri(URL); HttpWebRequest hwReq = (HttpWebRequest)WebRequest.Create(uri); 
HttpWebResponse hwRes = (HttpWebResponse)hwReq.GetResponse(); hwReq.Method = "Get"; hwReq.KeepAlive = false; StreamReader reader = new StreamReader(hwRes.GetResponseStream(),System.Text.Encoding.GetEncoding("GB2312")); return reader.ReadToEnd(); 
} // 提取HTML代码中的网址 
static ArrayList GetHyperLinks(string htmlCode) 
{ 
ArrayList al = new ArrayList(); string strRegex = @"http://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?"; Regex r = new Regex(strRegex,RegexOptions.IgnoreCase); 
MatchCollection m = r.Matches(htmlCode); for(int i=0; i<=m.Count-1; i++) 
{ 
bool rep = false; 
string strNew = m[i].ToString(); // 过滤重复的URL 
foreach(string str in al) 
{ 
if(strNew==str) 
{ 
rep =true; 
break; 
} 
} if(!rep) al.Add(strNew); 
} al.Sort(); return al; 
} // 把网址写入xml文件 
static void WriteToXml(string strURL, ArrayList alHyperLinks) 
{ 
XmlTextWriter writer = new XmlTextWriter("HyperLinks.xml",Encoding.UTF8); writer.Formatting = Formatting.Indented; 
writer.WriteStartDocument(false); 
writer.WriteDocType("HyperLinks", null, "urls.dtd", null); 
writer.WriteComment("提取自" + strURL + "的超链接"); 
writer.WriteStartElement("HyperLinks"); 
writer.WriteStartElement("HyperLinks", null); 
writer.WriteAttributeString("DateTime",DateTime.Now.ToString()); 
foreach(string str in alHyperLinks) 
{ 
string title = GetDomain(str); 
string body = str; 
writer.WriteElementString(title,null,body); 
} writer.WriteEndElement(); 
writer.WriteEndElement(); writer.Flush(); 
writer.Close(); 
} // 获取网址的域名后缀 
static string GetDomain(string strURL) 
{ 
string retVal; string strRegex = @"(\.com/|\.net/|\.cn/|\.org/|\.gov/)"; Regex r = new Regex(strRegex,RegexOptions.IgnoreCase); 
Match m = r.Match(strURL); 
retVal = m.ToString(); strRegex = @"\.|/$"; 
retVal = Regex.Replace(retVal, strRegex, "").ToString(); if(retVal == "") 
retVal = "other"; return retVal; 
} 
} 

Answer 3

思路：使用StreamReader读取网站（页面源码），然后使用XmlTextWriter将提取的内容写入xml文件即可

Answer 4

yalan你好，请教一个问题。
我发了一个贴：
http://topic.csdn.net/u/20110302/17/1f881d48-37d6-44c5-89dd-d4b9d305ce5e.html?90839
 
 

Answer 5

正则获取
StreamReader sr = new StreamReader(Server.MapPath ("MailAudit.htm"),System.Text.Encoding.GetEncoding("gb2312"));
  reader.InputStream = new StringReader(sr.ReadToEnd());
  using (StringWriter stringWriter = new StringWriter())
  {
  using (XmlTextWriter writer = new XmlTextWriter(stringWriter))
  {
  writer.Formatting = Formatting.Indented;
  XmlDocument doc = new XmlDocument();
  doc.Load(reader);
  doc.Save(“”);
  }
  }
解析XMLhttp://topic.csdn.net/u/20100428/19/46bf1fab-1498-4c17-aece-e9efa8143391.html