¿Alguien ha integrado BeautifulSoup con ASP.NET/C# (posiblemente usando IronPython o de otro modo)? ¿Existe una alternativa BeautifulSoup o un puerto que funciona muy bien con ASP.NET/C#BeautifulSoup y ASP.NET/C#
La intención de la planificación para utilizar la biblioteca es extraer legible texto desde cualquier dirección URL aleatoria.
Gracias
Html Agility Pack es un proyecto similar, pero para C# y .NET
EDIT:
Para extraer todo el texto legible:
document.DocumentNode.InnerText
Tenga en cuenta que este devolverá el contenido de texto de <script> etiquetas.
Para corregir esto, puede eliminar todos los <script> etiquetas, así:
foreach(var script in doc.DocumentNode.Descendants("script").ToArray())
script.Remove();
foreach(var style in doc.DocumentNode.Descendants("style").ToArray())
style.Remove();
(Crédito: SLaks)
Sé que esto es bastante antiguo, pero decidí publicar esto para referencia futura. Encontré esta búsqueda de una solución similar.
me encontré con una biblioteca construida en la parte superior de la agilidad HTML modalidad denominada scrapysharp
Lo he utilizado de manera bastante similar como me BeautifulSoup https://bitbucket.org/rflechner/scrapysharp/wiki/Home
Usted podría intentar esto a pesar de que actualmente tiene unos pocos insectos:
¿Cómo iba a usar H AP para raspar texto legible de una página HTML. En BeautifulSoup, es muy fácil hacer esto. – user300981
He actualizado mi respuesta –
¿El DocumentNode.InnerText obtiene todo el texto dentro de las etiquetas
? Mi preocupación es que necesito apoyar esto para las URL que no siguen ningún estándar. Puede haber suciedad por todas partes. ¿HAP es lo suficientemente inteligente como para distinguir entre texto legible y etiquetas HTML irrelevantes, comentarios, secuencias de comandos del cliente? – user300981