使用 HtmlAgilityPack 精确解析 HTML 文档中的特定表格-html教程-PHP中文网

使用 HtmlAgilityPack 精确解析 HTML 文档中的特定表格

心靈之曲

发布： 2025-10-23 10:09:01

原创

758人浏览过

使用 HtmlAgilityPack 精确解析 HTML 文档中的特定表格

本教程详细介绍了如何使用 c# 中的 htmlagilitypack 库，从包含多个表格的 html 文档中准确选择并解析特定的 html 表格。文章纠正了常见的 xpath 使用误区，强调了在选定节点上下文中执行查询的重要性，并提供了完整的代码示例，帮助开发者高效、精确地提取所需数据。

在 Web 数据抓取和 HTML 解析任务中，HtmlAgilityPack 是 .NET 开发者常用的强大工具。它能够将 HTML 文档解析成 DOM 结构，并通过 XPath 或 CSS 选择器方便地查询和操作节点。然而，当 HTML 文档包含多个结构相似的元素（例如多个 <table> 标签）时，准确地选择并处理其中一个特定元素，而非全部，就显得尤为重要。

理解 XPath 查询上下文

一个常见的错误是，在成功选择了一个父节点（例如一个特定的表格）之后，后续的子节点查询仍然在整个文档的上下文中执行。例如，当您使用 doc.DocumentNode.SelectSingleNode("//table[1]") 选择了第一个表格后，如果接着使用 doc.DocumentNode.SelectNodes("//tr") 来查找行，那么它会返回文档中所有的 <tr> 元素，而不仅仅是第一个表格中的行。

要解决这个问题，关键在于理解 XPath 查询的上下文。一旦您选择了一个特定的 HtmlNode，后续针对该节点内部元素的查询应该以该节点为上下文进行。

准确选择和解析特定表格

以下是一个示例 HTML 结构，我们将以此为例来演示如何分别解析第一个和第二个表格：

立即学习“前端免费学习笔记（深入）”；

飞书多维表格

表格形态的AI工作流搭建工具，支持批量化的AI创作与分析任务，接入DeepSeek R1满血版

查看详情

<html>
    <body>
        <p>This is where first table starts</p>
        <table>
            <tr>
                <th>head1</th>
                <th>head2</th>
            </tr>
            <tr>
                <td>data1_1</td>
                <td>data1_2</td>
            </tr>
            <tr>
                <td>data1_3</td>
                <td>data1_4</td>
            </tr>
        </table>
        <p>This is where second table starts</p>
        <table>
            <tr>
                <th>headA</th>
                <th>headB</th>
            </tr>
            <tr>
                <td>data2_A</td>
                <td>data2_B</td>
            </tr>
            <tr>
                <td>data2_C</td>
                <td>data2_D</td>
            </tr>
        </table>
    </body>
</html>

登录后复制

我们将使用 HtmlAgilityPack 来加载这个 HTML，并根据需要选择不同的表格。

1. 解析第一个表格

要解析第一个表格，我们首先需要使用 XPath //table[1] 准确地选中它。然后，所有后续的行 (<tr>) 和单元格 (<td>) 查询都应该在 这个选定的表格节点 的上下文中进行。

using HtmlAgilityPack;
using System.Data;
using System.Linq; // For .Skip()

public class TableParser
{
    public DataTable ParseFirstTable(string htmlContent)
    {
        HtmlDocument doc = new HtmlDocument();
        doc.LoadHtml(htmlContent);

        DataTable dt = new DataTable();
        // 假设我们知道表格结构，预先定义列
        dt.Columns.Add("ColumnA", typeof(string));
        dt.Columns.Add("ColumnB", typeof(string));

        // 选中第一个表格节点
        HtmlNode table = doc.DocumentNode.SelectSingleNode("//table[1]");

        if (table != null)
        {
            // 在选定的 'table' 节点内部查找所有的 'tr' 节点
            // 注意：这里使用 "tr" 或 ".//tr" 而不是 "//tr"
            // "tr" 表示直接子元素，".//tr" 表示当前节点下的任意后代元素
            // 考虑到表格结构，"tr" 通常是更精确和高效的选择
            var rows = table.SelectNodes("tr"); 

            if (rows != null)
            {
                // 跳过表头行（如果有的话），从第二行开始处理数据
                foreach (var row in rows.Skip(1)) // 假设第一行是表头
                {
                    var cells = row.SelectNodes("td"); // 在当前行 'row' 内部查找 'td' 节点
                    if (cells != null && cells.Count >= 2) // 确保有足够的单元格
                    {
                        string colA = cells[0].InnerText.Trim();
                        string colB = cells[1].InnerText.Trim();
                        dt.Rows.Add(colA, colB);
                    }
                }
            }
        }
        return dt;
    }
}

登录后复制

2. 解析第二个表格

解析第二个表格的方法与第一个表格类似，只需将 XPath 表达式改为 //table[2] 即可。

using HtmlAgilityPack;
using System.Data;
using System.Linq;

public class TableParser
{
    // ... (ParseFirstTable 方法省略) ...

    public DataTable ParseSecondTable(string htmlContent)
    {
        HtmlDocument doc = new HtmlDocument();
        doc.LoadHtml(htmlContent);

        DataTable dt = new DataTable();
        // 假设我们知道表格结构，预先定义列
        dt.Columns.Add("ColumnX", typeof(string));
        dt.Columns.Add("ColumnY", typeof(string));

        // 选中第二个表格节点
        HtmlNode table = doc.DocumentNode.SelectSingleNode("//table[2]");

        if (table != null)
        {
            var rows = table.SelectNodes("tr");

            if (rows != null)
            {
                foreach (var row in rows.Skip(1)) // 假设第一行是表头
                {
                    var cells = row.SelectNodes("td");
                    if (cells != null && cells.Count >= 2)
                    {
                        string colX = cells[0].InnerText.Trim();
                        string colY = cells[1].InnerText.Trim();
                        dt.Rows.Add(colX, colY);
                    }
                }
            }
        }
        return dt;
    }
}

登录后复制

关键注意事项

XPath 上下文： 始终记住，SelectSingleNode 或 SelectNodes 方法如果在 HtmlDocument.DocumentNode 上调用，则会在整个文档中搜索；如果在特定的 HtmlNode 上调用，则会在该节点的子树中搜索。
- //element：在文档的任何位置查找 element。
- element：查找当前节点的直接子 element。
- .//element：在当前节点的所有后代中查找 element。
索引从 1 开始： XPath 索引是基于 1 的，所以 [1] 表示第一个元素，[2] 表示第二个元素。
健壮性： 在实际应用中，HTML 结构可能不总是完美的。在访问 SelectNodes 或 SelectSingleNode 的结果之前，务必进行空值检查（if (node != null)），以避免 NullReferenceException。
表头处理： 示例代码使用 rows.Skip(1) 来跳过表头行。如果表头使用 <th> 标签，并且您想单独处理或忽略它们，可以更精确地筛选 <tr> 元素，例如只选择包含 <td> 的行。
更精确的定位： 如果表格有 id 或 class 属性，使用这些属性进行定位会更加稳定和精确，例如 //table[@id='myTableId'] 或 //table[@class='data-table']。