作者:霸气小米鱼鱼_156 | 来源:互联网 | 2023-08-16 14:25
【背景】之前使用HtmlAgilityPack期间,遇到了2个bug:1.InnerText没有包含对应字符串(但是用NextSibling.InnerText却可以得到)对于
【背景】
之前使用HtmlAgilityPack期间,遇到了2个bug:
1. InnerText没有包含对应字符串(但是用NextSibling.InnerText却可以得到)
对于html:
用如下的代码:
?
1
2
3
4
//Amazon Instant Video
string searchValue = singleOptionNode.Attributes["value"].Value; //search-alias=instant-video
//instant-video
string generalCategory = singleOptionNode.InnerText; //CAN NOT get: Amazon Instant Video
是不工作的。
后来经过调试,改为:
?
1
2
3
4
//Amazon Instant Video
string searchValue = singleOptionNode.Attributes["value"].Value; //search-alias=instant-video
//instant-video
string generalCategory = singleOptionNode.NextSibling.InnerText; //can get: Amazon Instant Video
却是可以的。
很是尼玛的诡异。
很明显是一个bug。
和:
2.丢失了form节点的input 子节点
访问:
http://www.amazon.com/gp/offer-listing/B0083PWAPW/ref=dp_olp_all_mbc?ie=UTF8&cOndition=all
得到的html中,对应的部分是:
?
1
2
3
4
5
6
7
8
9
10
11
12
13
可以通过:
?
1
2
htmlDoc = crl.htmlToHtmlDoc(respHtml);
HtmlNodeCollection postItemNodeList = htmlDoc.DocumentNode.SelectNodes(
"//form[starts-with(@action, ‘/gp/item-dispatch/ref=‘) and @method=‘POST‘]"
);
搜索到form节点,但是结果其下,再去搜input节点:
?
1
HtmlNodeCollection inputTypeNodeList = postItemNode.SelectNodes(
".//input[@type=‘hidden‘ and @name and @value]"
);
竟然得到的inputTypeNodeList是null:
即form下面,没有找到任何的child,即,所有的input节点,都丢失了!
再回去查看postItemNode,结果其下就是没有child的:
所以,应该是对应的HtmlAgilityPack的bug。
【折腾过程】
1. 后来看到:
No child nodes for FORM object
中提到了,说是:
In Html specification form tag can overlap, so Htmlagilitypack handle this node a little different. 。。。
After adding this call all form elements are added as children.
然后就去看看,结果果然是从child变成了sibling了,而且此处还是很变态的,NextSibling的NextSibling才是我们要的input节点:
所以,此处,看来只能是说动的,类似于上面那个问题一样的,写成NextSibling的NextSibling
不过,真是这样写的话,那也够变态的。。。。
2.然后也看到别人也遇到同样问题:
Problem parsing children of a node with HtmlAgilityPack
而且某人也是放弃了HtmlAgilityPack而转到了SGMLReader了。
不过,另外有人说,不是bug,而是可以配置的。
其相关的讨论见:
http://htmlagilitypack.codeplex.com/workitem/21782
再参考:
HtmlAgilityPack — Does close itself for some reason?
去,在将html转为htmlDoc之前,添加:
?
1
HtmlNode.ElementsFlags.Remove(
"form"
);
变为:
?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
HtmlNode.ElementsFlags.Remove(
"form"
);
htmlDoc = crl.htmlToHtmlDoc(respHtml);
HtmlNodeCollection postItemNodeList = htmlDoc.DocumentNode.SelectNodes(
"//form[starts-with(@action, ‘/gp/item-dispatch/ref=‘) and @method=‘POST‘]"
);
if
(postItemNodeList ==
null
)
class="line number7 index6 alt2">{
class="line number9 index8 alt2">}
else
{
foreach
(HtmlNode postItemNode
in
postItemNodeList)
{
string
itemDispatchUrl = postItemNode.Attributes[
"action"
].Value;
///gp/item-dispatch/ref=olp_atc_used_1
itemDispatchUrl = constAmazonDomainUrl + itemDispatchUrl;
Dictionary<
string
,
string
> postDict =
new
Dictionary<
string
,
string
>();
HtmlNodeCollection inputTypeNodeList = postItemNode.SelectNodes(
".//input[@type=‘hidden‘ and @name and @value]"
);
然后得到的inputTypeNodeList,的确不是null了,也有了child了:
【总结】
之前还夸奖HtmlAgilityPack好用呢,结果还没用多久,就出现这么多的bug。看来真的没法继续使用了。
每次都要很小心,不知道啥时候就会出错,真郁闷。。。
即使不是bug,其本身把form下面的节点,都弄成其sibling这个策略,还是很变态的。至少让更多人的,都容易误解。
【后记】
后来的后来,经过参考别人的解释:
have no child, why?
发现,
其实上述两个,所谓的bug,就是同一个问题:
对于HtmlAgilityPack,实际上,对于option,form等tag,其默认的处理的结果是:其下的子节点,会变成sibling
所以,上面的:
对于option需要通过NextSibling才能获得对应的InnerText;
对于form子节点为空,也是需要通过NextSibling(的NextSibling)才能获得对应的input子节点;
其本质都是:
HtmlAgilityPack是针对HTML 3.2的规范去实现的,而HTML 3.2就是这样规定的。
其不是bug,而是feature
但是很明显,是属于让人蛋疼的feature。
解决办法有两种:
1.改源码
把HtmlNode.cs中的下面这行注释掉:
?
1
ElementsFlags.Add(
"form"
, HtmlElementFlag.CanOverlap | HtmlElementFlag.Empty);
2.不改源码
在HtmlDocument类型的变量执行LoadHtml之前,加上:
?
1
HtmlNode.ElementsFlags.Remove(
"tagName"
);
即,对于我之前的crifanlib.cs中的:
?
1
2
3
4
5
6
7
8
public
HtmlAgilityPack.HtmlDocument htmlToHtmlDoc(
string
html)
class="line number2 index1 alt1">{
HtmlAgilityPack.HtmlDocument htmlDoc =
new
HtmlAgilityPack.HtmlDocument();
htmlDoc.LoadHtml(html);
return
htmlDoc;
class="line number8 index7 alt1">}
换成:
?
1
2
3
4
5
6
7
8
9
10
11
12
13
public
HtmlAgilityPack.HtmlDocument htmlToHtmlDoc(
string
html)
class="line number2 index1 alt1">{
HtmlAgilityPack.HtmlDocument htmlDoc =
new
HtmlAgilityPack.HtmlDocument();
HtmlNode.ElementsFlags.Remove(
"form"
);
HtmlNode.ElementsFlags.Remove(
"option"
);
htmlDoc.LoadHtml(html);
return
htmlDoc;
}
即可。
如此,后续解析html得到的form,option等tag,其child就是我们所希望的内容了。
另外:
1.对于是否还有其他特殊的html的tag,也是默认被处理为子节点变为sibling的,就不知道了。
2.等有空再去深究背后的那个HTML 3.2规范是怎么定义的。