C# + Html Agility Pack でできること：HTML解析の威力

C#でHTMLを解析する：Html Agility Packの使い方

このチュートリアルでは、Html Agility Packを使ってHTMLを解析する基本的な方法を解説します。

準備

以下の準備が必要です。

• Visual StudioなどのC#開発環境
• Html Agility Pack NuGetパッケージ

1. Visual Studioでソリューションを開きます。
2. ソリューションエクスプローラーでプロジェクトを右クリックし、「NuGetパッケージの管理」を選択します。
3. 検索ボックスに「Html Agility Pack」と入力し、検索結果から「HtmlAgilityPack」を選択します。
4. 「インストール」ボタンをクリックして、パッケージをインストールします。

基本的な操作

HTMLの読み込み

// HtmlAgilityPack.dllへの参照を追加する必要があります
using HtmlAgilityPack;

// HTMLファイルを読み込む
HtmlDocument doc = new HtmlDocument();
doc.Load("index.html");

要素の取得

// HTML要素を取得する
HtmlNode node = doc.DocumentNode.SelectSingleNode("//div[@class='main-content']");

// 要素のテキストを取得する
string text = node.InnerText;

// 子要素を取得する
foreach (HtmlNode child in node.ChildNodes)
{
    // 子要素の処理
}

属性の取得

// 属性を取得する
string href = node.Attributes["href"].Value;

XPathの利用

// XPathを使って要素を取得する
HtmlNodeCollection nodes = doc.DocumentNode.SelectNodes("//a[@href='https://www.example.com/']");

// 各要素の処理
foreach (HtmlNode node in nodes)
{
    // 処理
}

その他

Html Agility Packは、上記以外にも多くの機能を提供しています。 詳細については、公式ドキュメントを参照してください。

まとめ

Html Agility Packは、C#でHTMLを解析するための強力なツールです。 このチュートリアルを参考に、ぜひHtml Agility Packを使ってHTML解析に挑戦してみてください。

// C# + Html Agility Pack で基本的なことを少し触ってみる - Qiita
// https://qiita.com/tabizou/items/076139d61304418175be

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using HtmlAgilityPack;

namespace HtmlAgilityPackSample
{
    class Program
    {
        static void Main(string[] args)
        {
            // HTMLファイルを読み込む
            HtmlDocument doc = new HtmlDocument();
            doc.Load("index.html");

            // タイトルを取得する
            string title = doc.DocumentNode.SelectSingleNode("//title").InnerText;
            Console.WriteLine("タイトル：" + title);

            // 記事のリストを取得する
            HtmlNodeCollection nodes = doc.DocumentNode.SelectNodes("//article");

            // 記事の各要素を処理する
            foreach (HtmlNode node in nodes)
            {
                // タイトルを取得
                string articleTitle = node.SelectSingleNode(".//h2").InnerText;

                // 概要を取得
                string summary = node.SelectSingleNode(".//p").InnerText;

                // 出力
                Console.WriteLine("-----------------------");
                Console.WriteLine("記事タイトル：" + articleTitle);
                Console.WriteLine("概要：" + summary);
            }
        }
    }
}

このコードは、index.htmlというファイルを読み込み、以下の処理を実行します。

1. タイトルを取得する
2. 記事のリストを取得する
3. 記事の各要素について、タイトルと概要を取得する

コードを実行すると、以下のような出力が得られます。

タイトル：サンプルページ

-----------------------
記事タイトル：記事 1
概要：これは記事 1 の概要です。

-----------------------
記事タイトル：記事 2
概要：これは記事 2 の概要です。

上記のサンプルコードは、Html Agility Packの基本的な使い方を説明するものです。

より複雑な処理を行う場合は、公式ドキュメントや他のチュートリアルを参照してください。

C#でHTMLを解析する：その他の方法

System.Xml.Linq

.NET Frameworkに標準搭載されているXMLライブラリです。 HTMLはXMLと似ているため、System.Xml.Linqを使って解析することができます。

メリット

• 軽量で高速
• .NET Frameworkに標準搭載されているため、別途ライブラリをインストールする必要がない

• HTML特有の機能をサポートしていない
• 複雑な解析を行う場合は、コードが冗長になる

AngleSharp

高速で機能豊富なHTMLパーサーライブラリです。

• 高速で、最新のHTML5にも対応
• CSSセレクタを使って要素を簡単に取得できる
• LINQを使って要素を処理できる

• Html Agility Packと比べて、ライブラリのサイズが大きい
• 学習曲線が少し高い

その他のライブラリ

上記以外にも、様々なC#用HTMLパーサーライブラリがあります。

それぞれのライブラリには、それぞれメリットとデメリットがあります。 自分の目的に合ったライブラリを選択することが重要です。

まとめ

C#でHTMLを解析するには、様々な方法があります。 それぞれの方法の特徴を理解し、自分の目的に合った方法を選択することが重要です。

• Html Agility Pack: 軽量で使いやすい。基本的な解析に適している。
• System.Xml.Linq: 軽量で高速。.NET Frameworkに標準搭載されている。
• AngleSharp: 高速で機能豊富。最新のHTML5にも対応。
• その他: それぞれのライブラリに特徴がある。

どの方法を選択する場合でも、公式ドキュメントやチュートリアルを参照して、使い方を理解することが重要です。