C#で利用できるhtmlパーサーAngleSharpを使用する

C#で利用できるhtmlパーサーAngleSharpは、まだまだ、日本語の情報が少ないので、英語のドキュメントを理解していく必要があります。

• AngleSharpのトップページの翻訳

  https://anglesharp.github.io/の2018.07.04時点の内容を和訳しました。

AngleSharpドキュメント

• ホーム
• API
• ドキュメント
• 例
• 機能
• インターフェイス
• 欠落
• 性能
• TODO

• C#でモダンにスクレイピングするならAngleSharp
• [C#]WinFormでAngleSharpパッケージによるスクレイピングを行う
• .NET CoreアプリでHTMLを取得しパースする方法
• AngleSharp使用中にSystem.NullReferenceExceptionが発生する
• Connpass イベントページからレポートを自動生成するプログラムを作成しました。
• [C#]AngleSharpで、JavaScriptを含むサイトのスクリプトを解釈させる
• C#でブラウザを使用しないWebスクレイピング
• C＃でjavascriptで生成されたWebページをスクレイピングする

AngleSharpには、使い方の習得を目的としたいくつかのサンプルプログラムが提供されています。AngleSharpの使い方を習得するためには、実際に、コードを実行することが一番の近道です。

• AngleSharp/AngleSharp.Samplesの日本語訳
• AngleSharp Code Projectの日本語訳
• AngleSharpとJavaScript[Code Project]の日本語訳
• Submitting Forms with AngleSharp[Code Project]の日本語訳
• Convert HTML to Open XML Word document using MariGold.OpenXHTML and AngleSharp

Anglesharpを使用するには、DOMについて理解している必要があります。

一般に、htmlやxml文書から、特定の要素の内容を取り出す際に、使われる方法に以下のものがあります。

• 正規表現
• DOM
• XPass

正規表現は、正規表現パターンで、取り出す文字列を指定して取り出します。

XPassは、C#でも利用することができ、C#では、xml文書に対する操作で使われることが多いです。

• XPath の例
• Html Agility PackとXPath

Anglesharpを使って特定の要素や属性の値を取り出すために、DOMが使用されます。

DOM (Document Object Model)は、パーサーにアクセスする方法の１つで、W3Cが公開しているAPIです。

• Document Object Model (DOM)
• DOM（日本語訳）
• W3C 文書の日本語翻訳集
• W3Cの仕様書等の文書の日本語訳集
• これからのDOM API第1回 そもそもDOMとは何か
• 共通 DOM API

DOMの使い方には、学習しやすいドキュメントが存在しなさそうなので、Javascriptと一緒にDOM操作を習得するルートが最も適切と思われます。