使用 C# 搭配 AngleSharp 來獲取網頁內容

最近團隊有個需求，需要從網頁上抓取一些資料，雖然普遍對於網路爬蟲的第一印象都是 python，但因為團隊中多數成員都是 C# developer，為了非常態性需求改使用 python，不僅開發效率變差，加上後續維護也會因為熟悉度不夠而多花不少時間在重新上手，因此還是決定以 C# 為主，只是爬網頁資料有不少套件可以利用，便想趁這個機會比較一下各家 library 的差異，以下是我比較的幾個 library 與筆記連結：

AngleSharp 能夠解析基於尖括弧的 hyper-texts ，如 HTML、SVG 和 MathML，除此之外還支援未經驗證的 XML。AngleSharp 可以解析包含基於官方 W3C CSS 規格，進而可以建立完美可攜並與未來可自動升級的 evergreen browser 相容的 HTML5 DOM

基本環境說明

  • macOS Sequoia 15.0 (Apple M2 Pro)
  • .NET SDK 8.0.401
  • NuGet Libraries
    • AngleSharp 1.1.2
    • AngleSharp.XPath 2.0.4

使用方式

心得

  • 原生不支援 XPath，可以透過 AngleSharp.XPath 來支援

  • 可以使用 linq 來查詢 DOM

    document.All.Where(a => a.LocalName == "li" && a.ClassName== "List(n)") 與 document.QuerySelectorAll("li[class='List(n)']") 會有相同效果

  • 只能使用標準寫法 li[class='List(n)']，不允許 li.List(n)

    • 錯誤訊息

    • 錯誤截圖

      1error

  • 如何取得 xpath 或是 selector

    • 開啟瀏覽器的開發者工具並選取要取得的元素

      2developertool

    • 右鍵選擇 Copy –> Copy XPath 或是 Copy selector

      3copy

完整程式碼請參考 GitHub - yowko/anglesharp-demo

參考資訊

  1. 使用 C# 搭配 HtmlAgilityPack 來獲取網頁內容
  2. 使用 C# 搭配 ScrapySharp 來獲取網頁內容
  3. 使用 C# 搭配 AngleSharp 來獲取網頁內容
  4. 使用 C# 搭配 Puppeteer Sharp 來獲取網頁內容
  5. 使用 C# 搭配 Selenium 來獲取網頁內容
  6. 使用 C# 搭配 Playwright 來獲取網頁內容
  7. C# Crawler 套件 Benchmark
  8. GitHub - AngleSharp
  9. AngleSharp Docs
  10. 7 Best C# Web Scraping Libraries in 2024
  11. Popular Scraping libraries in C#
  12. GitHub - yowko/anglesharp-demo