从 HTML 字符串中提取 HREF 值

Question

我正在尝试创建一个仅返回来自网站的链接的爬虫，并且我将其还原为返回HTML脚本的程度。我现在想使用 if 语句来检查是否返回了字符串，如果返回，它会搜索所有"<>"标签并向我显示 href 链接。但我不知道要检查什么对象或我应该检查什么值。

这是我到目前为止所拥有的：

namespace crawler
{
    class Program
    {
        static void Main(string[] args)
        {
            System.Net.WebClient wc = new System.Net.WebClient();
            string WebData wc.DownloadString("https://www.abc.net.au/news/science/");
            Console.WriteLine(WebData);
            // if 
        }
    }        
}

Answer 1

你可以看看HTML Agility Pack：

然后，您可以从网页中找到所有链接，例如：

 var hrefs = new List<string>();
 var hw = new HtmlWeb();
 HtmlDocument document = hw.Load(/* your url here */);
 foreach(HtmlNode link in document.DocumentNode.SelectNodes("//a[@href]"))
 {
    HtmlAttribute attribute = link.Attributes["href"];
    if (!string.IsNullOrWhiteSpace(attribute.Value))
        hrefs.Add(attribute.Value);
 }

Answer 2

首先，

您可以创建一个函数来返回整个网站的HTML代码。这是我的那个！

public string GetPageContents()
{
    string link = "https://www.abc.net.au/news/science/"
    string pageContent = "";
    WebClient web = new WebClient();
    Stream stream;
    stream = web.OpenRead(link);
    using (StreamReader reader = new StreamReader(stream))
    {
        pageContent = reader.ReadToEnd();
    }
    stream.Close();
    return pageContents;
}

然后你可以创建一个函数，返回一个子字符串或子字符串列表（这意味着如果你想要所有<一个>标签，你可能会得到多个）。

List<string> divTags = GetBetweenTags(pageContents, "<div>", "</div>")

这将为您提供一个列表，例如，您可以在其中再次搜索<每个div> 标签中的<>标签。

public List<string> GetBetweenTags(string pageContents, string startTag, string endTag)
{
    Regex rx = new Regex(startTag + "(.*?)" + endTag);
    MatchCollection col = rx.Matches(value);
    List<string> tags = new List<string>();
    foreach(Match s in col)
        tags.Add(s.ToString());
    return tags;
}

编辑：哇不知道HTML敏捷包，谢谢@Gauravsa我会更新我的项目来使用它！