.NET TIPS

HTMLファイルを簡単に解析するには？

デジタルアドバンテージ　岸本 真二郎
2008/06/26

　HTMLファイルの文法チェックや、特定のHTMLタグの内容を取り出したりする場合、独自のパーサーを作成したり、正規表現を使ってHTMLファイルを処理することがあるが、既存のHTMLパーサーを利用することで、作業を大幅に軽減できる。

　オープンソースのライブラリであるNTidyは、HTML Tidyの.NET版である。これは本来、HTMLファイルの文法チェックと整形を行う（文法エラーを自動修正する）ためのライブラリなのだが、そのAPIを利用することで、文法チェック以外にもHTMLファイルの解析に利用できる。

　また、本来の目的が文法に沿った自動的なHTMLタグの修正ということもあり、多少のHTMLタグの記述の誤りがあっても、文法エラーとならずに最後まで解析を行うことができるというのもNTidyの大きな特長の1つだ。

NTidyを使ったタグの抽出

　NTidyはSourceForgeのNTidyのページからダウンロードできる（NTidy_bin_v1.0.zip）。このzipファイルには「NTidy.dll」というファイルが1つ含まれているだけという、至ってシンプルな構成だ。このNTidy.dllを適当なフォルダに配置して、利用するプロジェクトから参照の追加を行うことで、利用の準備は整う。

■<img>タグの一覧の例

　NTidyの利用例として、ここではHTMLファイルに含まれる<img>タグを一覧表示してみる。そのプログラムは次のようになる。

using System;
using System.Collections.Generic;
using System.Text;
using NTidy;

namespace NTidyTest
{
  class Program
  {
    static void Main(string[] args)
    {
      TidyDocument doc = new TidyDocument();

      doc.SetCharEncoding("shiftjis");
      TidyStatus status = doc.LoadFile(@"D:\test.html");
      doc.CleanAndRepair();

      showImgTag(doc.Body);
    }

    static void showImgTag(TidyNode node) {

      if (node.IsImg) { // ノードが<Img>タグなら
         Console.WriteLine("Name: <{0}>", node.Name);
        Console.WriteLine("IsText: {0}", node.IsText);
        Console.WriteLine("value: [{0}]", node.Value);
      }
      foreach (TidyNode n in node.ChildNodes) {
        showImgTag(n);
      }
    }
  }
}
Imports NTidy

Module Module1

  Sub Main()
    Dim doc As NTidy.TidyDocument
    doc = New NTidy.TidyDocument()

    doc.SetCharEncoding("shiftjis")
    Dim status As TidyStatus = doc.LoadFile("D:\test.html")
    doc.CleanAndRepair()

    showImgTag(doc.Body)

  End Sub

  Sub showImgTag(ByVal node As TidyNode)
    If node.IsImg Then ' ノードが<img>タグなら
       Console.WriteLine("Name: <{0}>", node.Name)
      Console.WriteLine("IsText: {0}", node.IsText)
      Console.WriteLine("value: [{0}]", node.Value)
    End If

    For Each n As TidyNode In node.ChildNodes
      showImgTag(n)
    Next
  End Sub
End Module
NTidyによるimgタグの一覧表示（上：C#、下：VB）

　NTidyでは、まずTidyDocumentクラス（NTidy名前空間）のインスタンスを作成し、エンコードの指定をしてから対象となるHTMLファイルをロードする。その後CleanAndRepairメソッドを実行すると、HTMLファイルの解析（文法チェック）が行われる。

　解析結果は、<head>タグの内容がTidyDocumentオブジェクトのHeadプロパティに、<body>タグの内容がBodyプロパティに、TidyNodeクラス（NTidy名前空間）によって階層的に保持される。TidyNodeクラスには下層につながる要素を示すChildNodesプロパティ（TidyNodeクラス用のコレクションであるTidyChildNodeCollectionクラス）があり、このChildeNodesプロパティをたどっていくことで、HTMLファイル内のすべての要素を走査できる。

　コードでは、HTMLファイルを読み込んだ後、<body>要素を示すTidyNodeオブジェクトをshowImgTagメソッドに渡している。showImgTagメソッドでは、要素が<img>タグならその内容を表示している。そして、さらにすべての子要素に対してshowImgTagメソッドを再帰的に呼び出して、すべての<img>タグをチェックしている。

　要素（TidyNodeオブジェクト）がどのタグかは、TidyNodeクラスのIsXXXプロパティ（XXX部分はタグ名）で判断できる。上記のように、<img>タグの場合は、IsImgプロパティがtrueになる。もし<table>タグなら、IsTableプロパティがtrueになるといった具合だ。また、IsTextプロパティを判断することで、タグを除いたテキスト部分のみを取り出すことも可能である。

　NTidyについての詳細は、本家のTidyのドキュメントを見るのが早い。End of Article

カテゴリ：クラス・ライブラリ　処理対象：HTMLドキュメント
使用ライブラリ：TidyDocumentクラス（NTidy名前空間）
使用ライブラリ：TidyNodeクラス（NTidy名前空間）
使用ライブラリ：TidyChildNodeCollectionクラス（NTidy名前空間）

この記事と関連性の高い別の.NET TIPS
HTMLファイルからテキストを取り出すには？
［Silverlight 2］HTML要素にフォーカスを設定するには？
［Silverlight 2］HTML要素のDOMメソッドを呼び出すには？
［Silverlight 2］HTML要素のDOMプロパティを取得／設定するには？
［ASP.NET］任意の画像を出力してブラウザで表示するには？
このリストは、（株）デジタルアドバンテージが開発した
自動関連記事探索システム Jigsaw（ジグソー） により自動抽出したものです。
generated by

「.NET TIPS」

TechTargetジャパン

Insider.NET フォーラム 新着記事

＠ITメールマガジン　新着情報やスタッフのコラムがメールで届きます（無料）

RSSフィード

＠IT 新着記事

キャリアアップ

- PR -
＠IT Sepcial
→ ＠IT Special ヘ

イベントカレンダー

PickUpイベント

- PR -
もっと見る
- PR -

お勧め求人情報

ホワイトペーパー（TechTargetジャパン）

＠IT Sepcial
→ ＠IT Special ヘ
ソリューションFLASH