用C＃屏幕抓取HTML

我已经完成了屏幕抓取我们的一个遗留Web应用程序以从代码中提取某些数据的任务。 数据被格式化并且“应该”每次都显示完全相同。 我只是不确定如何去做这件事。 这是一个包含页眉和页脚导航的完整html文件，但在这一切的中间是我需要的数据。

我需要提取公司名称值，联系人姓名，电话，电子邮件地址等。

以下是代码的示例：

...html above here 

 
 
 
  
 
 
 
 
 
ABC INDUSTRIES
 
 
 
 
 
 
  more...
 屏幕上有更多代码在不同的表结构中，我还需要提取。 







 
	
Answer 1
		      	
 您是否只是在寻找有关如何实现这一目标的建议？  HTML Agility Pack可能是您解析DOM解析的最佳选择。 可能有一些修补和试错，以维持你的屏幕刮（通常有这种事情），但该库非常适合解析HTML。 
 从技术上讲，任何XML解析（甚至是原生的LINQ to XML） 都应该可以解决问题，但是网站有一个不良格式的恶习，所以你可能会遇到一些小麻烦。 


Answer 2
		      	
 在最近的项目中，我成功地使用WebRequest和相关类别从URL下载HTML，然后使用SgmlReader解析器实际访问结构化内容。 


Answer 3
		      	
 如果每次调用页面注释和表格布局代码相同，我会将页面拉成一个字符串，并使用一系列.IndexOf和.Substring函数来解析数据。 使用IndexOf函数查找每个字段的起始和结束索引。 使用Substring函数中的这些字段索引来获取数据。 
 它不漂亮，但完成工作。 


Answer 4
		      	
  HtmlDocument可用于处理HTML文档。 请参阅以下示例： 
  http://weblogs.asp.net/grantbarrington/archive/2009/10/15/screen-scraping-in-c.aspx 
  http://www.stupidiocy.com/development/web-scraping-using-c/ 


Answer 5
		      	
 如果您将HTML存储在字符串中，则可以始终将正则表达式与捕获组一起使用来解析所需的信息。