我正在尝试为 Digikey 编写一个屏幕抓取程序,使我们的公司能够准确跟踪价格、部件可用性和部件停产时的产品更换。我在 Chrome Devtools 和 Firefox 上的 Firebug 中看到的 XPATH 与我的 C# 程序看到的似乎存在差异。
我目前正在抓取的页面是 http://search.digikey.com/scripts/DkSearch/dksus.dll?Detail&name=296-12602-1-ND
我目前使用的代码非常快速和肮脏...
//This function retrieves data from the digikey
private static List<string> ExtractProductInfo(HtmlDocument doc)
{
List<HtmlNode> m_unparsedProductInfoNodes = new List<HtmlNode>();
List<string> m_unparsedProductInfo = new List<string>();
//Base Node for part info
string m_baseNode = @"//html[1]/body[1]/div[2]";
//Write part info to list
m_unparsedProductInfoNodes.Add(doc.DocumentNode.SelectSingleNode(m_baseNode + @"/table[1]/tr[1]/td[1]/table[1]/tr[1]/td[1]"));
//More lines of similar form will go here for more info
//this retrieves digikey PN
foreach(HtmlNode node in m_unparsedProductInfoNodes)
{
m_unparsedProductInfo.Add(node.InnerText);
}
return m_unparsedProductInfo;
}
虽然我使用的路径看起来是“正确的”,但当我查看列表“m_unparsedProductInfoNodes”时,我总是得到 NULL
知道这里发生了什么吗?我还要补充一点,如果我在 baseNode 上执行“SelectNodes”,它只会返回一个 div,其中唯一重要的子节点是“cs=####”,这似乎因浏览器用户代理而异。如果我尝试以任何方式使用它(将/cs=0 放在无法识别的浏览器的路径中),它会坚持认为我的表达式不会评估为节点集,但保留它们仍然会留下所有数据过去的问题div[2] 返回为 NULL。
最佳答案
尝试使用这个 XPath 表达式:
/html[1]/body[1]/div[2]/cs=0[1]/rf=141[1]/table[1]/tr[1]/td[1]/table[1]/tr[1]/td[1]
在 Firefox 中使用 Google Chrome 开发者工具和 Firebug,网页似乎在第一个表格之前有一个“cs”和“rf”标签。像这样的东西:
<cs="0">
<rf="141">
<table>
...
</table>
</rf>
</cs>
当您想要解析一个已知 HTML 文件并且您没有得到预期的结果时,了解发生了什么可能很有用。在这种情况下,我只是做了:
string xpath = "";
//In this case I'll get all cells and see what cell has the text "296-12602-1-ND"
foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//td"))
{
if (node.InnerText.Trim() == "296-12602-1-ND")
xpath = node.XPath; //Here it is
}
或者您可以在文档加载后调试您的应用程序,遍历每个子节点,直到找到您想要从中获取信息的节点。如果只是在找到 InnerText 的时候设置断点,那么直接遍历父节点,然后继续寻找其他节点即可。我通常会在“监视”窗口中手动输入命令,然后使用 TreeView 进行导航以查看属性、属性和子项。
关于c# - HTML Agility Pack 屏幕抓取 XPATH 未返回数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/2500016/