以对象的方式访问html中的标签，比正则表达式更好用的方式获取html中的内容

情如风雪无常

这是我本人自己写的一个开源库，现已经发布到nuget，可以直接在vs的nuget包管理中搜索到，或者可以到nuget官网下载：https://www.nuget.org/packages/ZmjConvert/，也可以到我的个人网站上下载源码：https://www.zhaimaojun.cn/P/C%23%e6%a0%87%e7%ad%be%e7%b1%bb%e6%96%87%e6%9c%ac%e5%ba%8f%e5%88%97%e5%8c%96%e5%ba%93/
本包是.NET standard标准库包，可以在.NET core，.NET，.NET framework等多种项目中直接使用，我本人也是在多种环境中使用这个包，没有任何问题的，我本人主要用来提取网页上的链接，图片，可显示文本等内容。
先安装这个包，然后就可以使用了，下面给出了一些使用方式的模板：
第一步 序列化html

1. /**这是html源码的序列化*/<br>1 var dts = GetSource();//获取html源码，可以现下或者读取html文件，dts需要是string类型的html内容
2. 2 if (!HtmlElement.TryParse(dts, out var eles, out var err))
3. 3 {
4. 4     OnDownloadErrorHappend($"无法序列化url:{surl}");//反序列化失败
5. 5     return;
6. 6 }
7. 7 var srcurl = new Uri(surl);//这是html的源地址的当前文档的url，用于将当前所有节点中相对路径解析为绝对路径时使用
8. 8 eles = HtmlElement.GetAllElement(eles);//列出所有的子元素，就是将所有的节点提取为一个list，方便使用linq，或者使用foreach循环来遍历，当然原来的标签结构是不会改变的。

复制代码

1. 1 /**这是部分html标签源码的反序列化，比如富文本编辑器的内容*/
2. 2 try
3. 3 {
4. 4     var labstr = Gethtmlstr();//获取部分标签的html源码，比如富文本编辑器
5. 5     var eles = CHtmlElement<HtmlElement>.Parse(htmlstr);//反序列化标签组
6. 6     return eles;//反序列化成功后返回结构对象
7. 7 }
8. 8 catch (Exception e)
9. 9 {
10. 10     throw e;//反序列化失败
11. 11 }

复制代码

第二步 获取html文档的标题

1. 1 var title = HtmlElement.GetWebTitle(eles);

复制代码

1. 1 /**获取文档的keywords*/
2. 2 eles.FirstOrDefault(x => x.TagName == "meta" && x.Attributes.ContainsKey("name") && x.Attributes["name"].ToLower() == "keywords").Attributes.TryGetValue("content", out var keywords);
3. 3 /**获取文档的description*/
4. 4 eles.FirstOrDefault(x => x.TagName == "meta" && x.Attributes.ContainsKey("name") && x.Attributes["name"].ToLower() == "description").Attributes.TryGetValue("content", out var description);

复制代码

第三步 提取所有的img标签的src，也就是获取所有页面上的图片

1. 1 /**这是获取所有img标签的src属性内容*/
2. 2 var imgs = new List<string>();
3. 3 foreach (var e in eles.Where(x => x.TagName == "img" && x.Attributes.ContainsKey("src") && !string.IsNullOrWhiteSpace(x.Attributes["src"])))
4. 4 {//封面图片或者其他图片
5. 5     var furl = HttpUtility.HtmlDecode(e.Attributes["src"]);
6. 6     var furi = new Uri(srcurl, furl);
7. 7     imgs.Add(furi.AbsoluteUri);
8. 8 }

复制代码

1. /**这是提取所有img标签的data-src属性，因为有些网站为了降低流量成本，img标签的src属性中使用的是缩略图，而data-src中使用的才是原图*/<br>1 var imgs = new List<string>();
2. 2 foreach (var e in eles.Where(x => x.TagName == "img" && x.Attributes.ContainsKey("data-src") && !string.IsNullOrWhiteSpace(x.Attributes["data-src"])))
3. 3 {//封面图片或者其他图片
4. 4     var furl = HttpUtility.HtmlDecode(e.Attributes["data-src"]);
5. 5     var furi = new Uri(srcurl, furl);
6. 6     imgs.Add(furi.AbsoluteUri);
7. 7 }

复制代码

第四步 提取所有的a标签的href，也就是获取所有页面上的链接

1. 1 /**获取所有的链接及链接的文本内容*/
2. 2 var links = new Dictionary<string, string>();
3. 3 foreach (var e in eles.Where(x => x.TagName == "a" && x.Attributes.ContainsKey("href") && !string.IsNullOrWhiteSpace(x.Attributes["href"])))
4. 4 {
5. 5     links.Add(WebUtility.HtmlDecode(e.InnerText), WebUtility.HtmlDecode(e.Attributes["href"]));
6. 6 }

复制代码

第五步 提取所有可视文本，并保持换行，并且保持链接的有效

[code] 1 /**提取所有的可视文本*/ 2 var tsts = new List();//这是按行存储的提取到的所有可视内容 3 var sb = new StringBuilder();//这是中间使用的拼接对象 4 foreach (var item in eles)//eles为整个html反序列化后的列表，如果需要对指定的一个div或者p的可视内容提取，可以先找到这个标签对象，然后在通过HtmlElement.GetAllElement(e.Children)可提取他的所有子标签，就可以提取所有可视内容了 5 { 6     var tgs = new[] { "br", "div", "li", };//这是强迫换行的标签列举，可根据需求添加或减少 7     if (tgs.Contains(item.TagName)) 8     { 9         sb.Append(HttpUtility.HtmlDecode(item.InnerText));10         var innt = sb.ToString();11         tsts.Add(innt);12         sb.Clear();13     }14     else if (item.TagName == "a" && item.Attributes.ContainsKey("href") && !item.Attributes["href"].Contains("f95")) sb.Append($"{WebUtility.HtmlDecode(item.InnerText)}");15     else if (!item.InnerText.Contains('