如何从Wikipedia获得桌子

Question

我想将一个从wikipedia的表放入XML文件中，然后将其解析为C＃。是否可以？如果是，我可以仅保存XML title 和 genre column？

HtmlWeb web = new HtmlWeb();
HtmlDocument doc = web.Load("http://en.wikipedia.org/wiki/2012_in_film");
HtmlNode node = doc.DocumentNode.SelectSingleNode("//table[@class='wikitable']");

Answer 1

您可以使用Web浏览器：

//First navigate to your address
 webBrowser1.Navigate("http://en.wikipedia.org/wiki/2012_in_film");
        List<string> Genre = new List<string>();
        List<string> Title = new List<string>();
  //When page loaded
  foreach (HtmlElement table in webBrowser1.Document.GetElementsByTagName("table"))
            {
                if (table.GetAttribute("className").Equals("wikitable"))
                {
                    foreach (HtmlElement tr in table.GetElementsByTagName("tr"))
                    {
                        int columncount = 1;
                        foreach (HtmlElement td in tr.GetElementsByTagName("td"))
                        {
                            //Title
                            if (columncount == 4)
                            {
                                Title.Add(td.InnerText);
                            }
                            //Genre
                            if (columncount == 7)
                            {
                                Genre.Add(td.InnerText);
                            }
                            columncount++;
                        }
                    }
                }
            }

现在您有两个列表（类型和标题）。您只需将它们转换为XML文件

Answer 2

您可以使用此代码：搜索您要搜索的HTML标签并进行正则表达式以解析其余数据。此代码将搜索具有宽度150并获取所有URL/NAV URL的表。

HtmlElementCollection links = webBrowser1.Document.GetElementsByTagName("table"); //get collection in link
                {
                    foreach (HtmlElement link_data in links) //parse for each collection
                    {
                        String width = link_data.GetAttribute("width");
                        {
                            if (width != null && width == "150")
                            {
                                Regex linkX = new Regex("<a[^>]*?href="(?<href>[\s\S]*?)"[^>]*?>(?<Title>[\s\S]*?)</a>", RegexOptions.IgnoreCase);
                                MatchCollection category_urls = linkX.Matches(link_data.OuterHtml);
                                if (category_urls.Count > 0)
                                {
                                    foreach (Match match in category_urls)
                                    {
                                           //rest of the code
                                    }
                                }
                             }
                         }
                     }
                }

Answer 3

还考虑在Wikipedia页面的特定部分中查看Wikipedia API

• https://en.wikipedia.org/w/api.php?action = parse = parse&page=2012_in_film&mobileformat = html＆section = 1＆amp; prop = wikite =

API文档描述了如何格式化搜索结果以进行后续解析。