htmlagilitypack 和动态内容问题

我想创建一个网络 __scraper__ 应用程序，并且我想使用网络浏览器控件、htmlagilitypack 和 xpath 来完成它。

现在我设法创建 xpath 生成器（我使用网络浏览器用于此目的），它工作正常，但有时我无法动态获取（通过 javascript 或 ajax）生成的内容。我还发现，当网页浏览器控件（实际上是 IE 浏览器）生成一些额外的标签，如“tbody”，同时又生成 htmlagilitypack `htmlWeb.Load(webBrowser.DocumentStream);` 没有看到它。

另一个注释。我发现以下代码实际上获取了当前的网页源代码，但我无法提供 htmlagilitypack `(mshtml.IHTMLDocument3)webBrowser.Document.DomDocument;`

你能帮我吗？

我只是花了几个小时试图让 HtmlAgilityPack 从网页渲染一些 ajax 动态内容，我从一篇无用的文章转到另一篇文章，直到找到这篇文章。

答案隐藏在最初的帖子下的评论中，我想我应该把它弄清楚。

这是我最初使用的方法，但没有成功：

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 将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++;
    }
}

这个想法是使用能够呈现 ajax 内容的 WebBrowser 进行加载，然后等到页面完全呈现，然后再使用 Microsoft.mshtml 库将 HTML 重新解析到敏捷包中。

这是我访问动态数据的唯一方法。

希望它可以帮助某人