按顺序获取html文档的链接

Question

我想要一个HTML文档的所有链接。这不是一个问题，但显然，它把所有的链接按字母顺序存储在一个的数组中。我想要的链接按原来的顺序(而不是字母)。

那么有没有可能得到第一个找到的链接，存储它，然后再存储第二个链接，.？我已经尝试过使用HtmlAgilityPack和Webbrowser方法，但它们都是按字母顺序排列的。对于以后的目的来说，最初的顺序很重要。

我听说使用Regex可能是可能的，但我已经找到了足够的答案，他们说您不应该将其用于HTML解析。那我该怎么做？

下面是Webbrowser-Control代码，我尝试使用它获取链接并将它们存储到数组中：

    private void btnGet_Click(object sender, EventArgs e)
    {
        HtmlWindow mainFrame = webFl.Document.Window.Frames["mainFrame"];
        HtmlElementCollection links = mainFrame.Document.Links;

        foreach (HtmlElement link in links)
        {
            string linkText = link.OuterHtml;
            if (linkText.Contains("puzzle"))
            {
                arr[i] = linkText;
                i++;
            }
        }
    }

预先谢谢你，奥帕克

Answer 1

您可以通过使用HTML DOM API遍历DOM树来获得正确的顺序。下面的代码会这样做。注意，我使用dynamic访问DOM。这是因为WebBrowser的HtmlElement.FirstChild/HtmlElement.NextSibling不能用于此目的，因为它们返回DOM文本节点的null。

private void btnGet_Click(object sender, EventArgs e)
{
    Action<object> walkTheDom = null;
    var links = new List<object>();

    // element.FirstChild / NextSibling don't work as they stop at DOM text nodes

    walkTheDom = (element) =>
    {
        dynamic domElement = element;
        if (domElement.tagName == "A")
            links.Add(domElement);
        for (dynamic child = domElement.firstChild; child != null; child = child.nextSibling)
        {
            if (child.nodeType == 1) // Element node?
                walkTheDom(child);
        }
    };

    walkTheDom(this.webBrowser.Document.Body.DomElement);

    string html = links.Aggregate(String.Empty, (a, b) => a + ((dynamic)b).outerHtml + Environment.NewLine);
    MessageBox.Show(html);
}

如果您确实需要获得一个用于标记的HtmlElement对象列表，而不是dynamic本机元素，那么使用GetElementById的小技巧仍然可以实现

private void btnGet_Click(object sender, EventArgs e)
{
    // element.FirstChild / NextSibling don't work because they stop on DOM text nodes

    var links = new List<HtmlElement>();
    var document = this.webBrowser.Document;
    dynamic domDocument = document.DomDocument;
    Action<dynamic> walkTheDom = null;

    walkTheDom = (domElement) =>
    {
        if (domElement.tagName == "A")
        {
            // get HtmlElement for the found <A> tag
            string savedId = domElement.id;
            string uniqueId = domDocument.uniqueID;
            domElement.id = uniqueId;
            links.Add(document.GetElementById(uniqueId));
            if (savedId != null)
                domElement.id = savedId;
            else
                domElement.removeAttribute("id");
        }
        for (var child = domElement.firstChild; child != null; child = child.nextSibling)
        {
            if (child.nodeType == 1) // is an Element node?
                walkTheDom(child);
        }
    };

    // walk the DOM for <A> tags
    walkTheDom(domDocument.body);

    // show the found tags
    string combinedHtml = links.Aggregate(String.Empty, (html, element) => html + element.OuterHtml + Environment.NewLine);
    MessageBox.Show(combinedHtml);
}