C# 如何从网页中提取信息？

我想从一个网站的首页收集一些数据。我可以很容易地浏览每一行，它只是我感兴趣的一个特定行。所以我想识别正确的行并提取数字，在本例中是324。我该怎么做

<h2><a href="/mmp/it/su/">Weather</a></h2> <span class="jix_channels_count">(324)</span><br><p class="jix_channels_desc">Prog&oslash;r, su, si&oslash;r, tester</p>

（324）
Progø；r、 苏、思和奥斯拉什；r、 测试员

下载内容后，使用HTML解析器（如）识别属于

jix\u channels\u count

类的

span

元素

另一个选择是

你用

regex

标记了你的问题-我衷心建议你不要朝这个方向走

建议的方法（使用SgmlReader）大致如下：

var url = "www.that-website.com/foo/";
var myRequest = (HttpWebRequest)WebRequest.Create(url);
myRequest.Method = "GET";
WebResponse myResponse = myRequest.GetResponse();                
var responseStream = myResponse.GetResponseStream();
var sr = new StreamReader(responseStream, Encoding.Default);
var reader = new SgmlReader
             {
                 DocType = "HTML",
                 WhitespaceHandling = WhitespaceHandling.None,
                 CaseFolding = CaseFolding.ToLower,
                 InputStream = sr
             };
var xmlDoc = new XmlDocument();
xmlDoc.Load(reader);
var nodeReader = new XmlNodeReader(xmlDoc);
XElement xml = XElement.Load(nodeReader); 

---

现在，您可以使用LINQ to XML（递归或其他方式）查找属性为

class

的

span

元素，其值等于

jix\u channels\u count

，并读取该元素的值。

下载内容后，使用HTML解析器，例如识别属于

jix\u channels\u count

类的

span

元素

另一个选择是

你用

regex

标记了你的问题-我衷心建议你不要朝这个方向走

建议的方法（使用SgmlReader）大致如下：

var url = "www.that-website.com/foo/";
var myRequest = (HttpWebRequest)WebRequest.Create(url);
myRequest.Method = "GET";
WebResponse myResponse = myRequest.GetResponse();                
var responseStream = myResponse.GetResponseStream();
var sr = new StreamReader(responseStream, Encoding.Default);
var reader = new SgmlReader
             {
                 DocType = "HTML",
                 WhitespaceHandling = WhitespaceHandling.None,
                 CaseFolding = CaseFolding.ToLower,
                 InputStream = sr
             };
var xmlDoc = new XmlDocument();
xmlDoc.Load(reader);
var nodeReader = new XmlNodeReader(xmlDoc);
XElement xml = XElement.Load(nodeReader); 

---

现在，您可以使用LINQ to XML（递归或其他方式）查找属性为

class

的

span

元素，该属性的值等于

jix\u channels\u count

，并读取该元素的值。

使用正则表达式解析html页面是错误的。但是，如果您知道单个html行的确切结构，则可以使用正则表达式，而不必将该行视为html代码

假设数字始终在括号内，且跨度为jix_通道数级：

Match match = Regex.Match(htmlLine, @"(\<span[^>]*class=""jix_channels_count[^>]*\>\()([^)]+)(\))", RegexOptions.IgnoreCase);
if (match.Success)
{
    string number = match.Groups[2].Value;
}

Match Match=Regex.Match（htmlLine，@“（\]*class=”“jix\u channels\u count[^>]*\>\（）（[^）]+）（\）”，RegexOptions.IgnoreCase）；
如果（匹配成功）
{
字符串编号=匹配。组[2]。值；
}

用正则表达式解析html页面是错误的。但是，如果您知道单个html行的确切结构，则可以使用正则表达式，而不必将该行视为html代码

假设数字始终在括号内，且跨度为jix_通道数级：

Match match = Regex.Match(htmlLine, @"(\<span[^>]*class=""jix_channels_count[^>]*\>\()([^)]+)(\))", RegexOptions.IgnoreCase);
if (match.Success)
{
    string number = match.Groups[2].Value;
}

Match Match=Regex.Match（htmlLine，@“（\]*class=”“jix\u channels\u count[^>]*\>\（）（[^）]+）（\）”，RegexOptions.IgnoreCase）；
如果（匹配成功）
{
字符串编号=匹配。组[2]。值；
}

关于regex，我问了这个问题，希望有更好的方法：-）关于regex，我问了这个问题，希望有更好的方法：-）也称为“解析HTML的Cthulhu方法”；）哈哈对。但是请注意，这里没有将html解析为页面，这是错误的。您只是在解析一行html代码，了解其结构。也称为“解析html的Cthulhu方式”；）哈哈对。但是请注意，这里没有将html解析为页面，这是错误的。您只是在解析一行html代码，了解其结构。