Question

我想创建一个web scrapper应用程序，我想用webbrowser控件，htmlagilitypack和xpath。

现在我设法创建了xpath生成器（我为此目的使用了webbrowser），它工作正常，但有时我无法动态（通过javascript或ajax）生成内容。另外我发现当webbrowser控件（实际上是IE浏览器）生成一些额外的标签，如“tbody”，而htmlagilitypack `htmlWeb.Load（webBrowser.DocumentStream）;`看不到它。

另一个说明。我发现以下代码实际上抓住了当前的网页源代码，但我无法提供htmlagilitypack `（mshtml.IHTMLDocument3）webBrowser.Document.DomDocument;`

你能帮帮我吗？

Answer 1

我花了好几个小时试图让HtmlAgilityPack从网页上呈现一些ajax动态内容，然后我从一个无用的帖子转到另一个帖子，直到找到这个。

答案隐藏在最初帖子下的评论中，我认为我应该理顺它。

这是我最初使用但不起作用的方法：

private void LoadTraditionalWay(String url)
{
    WebRequest myWebRequest = WebRequest.Create(url);
    WebResponse myWebResponse = myWebRequest.GetResponse();
    Stream ReceiveStream = myWebResponse.GetResponseStream();
    Encoding encode = System.Text.Encoding.GetEncoding("utf-8");
    TextReader reader = new StreamReader(ReceiveStream, encode);
    HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
    doc.Load(reader);
    reader.Close();
}

WebRequest不会呈现或执行呈现缺失内容的ajax查询。

这是有效的解决方案：

private void LoadHtmlWithBrowser(String url)
{
    webBrowser1.ScriptErrorsSuppressed = true;
    webBrowser1.Navigate(url);

    waitTillLoad(this.webBrowser1);

    HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
    var documentAsIHtmlDocument3 = (mshtml.IHTMLDocument3)webBrowser1.Document.DomDocument; 
    StringReader sr = new StringReader(documentAsIHtmlDocument3.documentElement.outerHTML); 
    doc.Load(sr);
}

private void waitTillLoad(WebBrowser webBrControl)
{
    WebBrowserReadyState loadStatus;
    int waittime = 100000;
    int counter = 0;
    while (true)
    {
        loadStatus = webBrControl.ReadyState;
        Application.DoEvents();
        if ((counter > waittime) || (loadStatus == WebBrowserReadyState.Uninitialized) || (loadStatus == WebBrowserReadyState.Loading) || (loadStatus == WebBrowserReadyState.Interactive))
        {
            break;
        }
        counter++;
    }

    counter = 0;
    while (true)
    {
        loadStatus = webBrControl.ReadyState;
        Application.DoEvents();
        if (loadStatus == WebBrowserReadyState.Complete && webBrControl.IsBusy != true)
        {
            break;
        }
        counter++;
    }
}

想法是使用能够呈现ajax内容的WebBrowser加载，然后等到页面完全呈现，然后使用Microsoft.mshtml库将HTML重新解析为敏捷包。

这是我可以访问动态数据的唯一方法。

希望它有助于某人

Answer 2

Selenium会做的伎俩。据我所知，它创建了浏览器引擎的实例..有点并且应该允许执行js并允许你获得被操纵的DOM的结果。

Answer 3

使用HTML Agility pack文档的以下方法。

htmlAgilityPackDocument.LoadHtml(this.browser.DocumentText);

OR

if (this.browser.Document.GetElementsByTagName("html")[0] != null)
    _htmlAgilityPackDocument.LoadHtml(this.browser.Document.GetElementsByTagName("html")[0].OuterHtml);

htmlagilitypack和动态内容问题

3 个答案: