neue cc - C#でスクレイピング:HTMLパース(Linq to Html)のためのSGMLReader利用法

Linq to XmlがあるならLinq to Htmlもあればいいのに！と思った皆様こんばんは。まあ、DOMでしょ？ツリーでしょ？XHTMLならそのままXDocument.Loadで行けるよね？XDocument.Parseで行けるよね？ ええ、ええ、行けますとも。XHTMLなら、ね、ValidなXHTMLならね。世の中のXHTML詐称の99.99%がそのまま解析出来るわけがなく普通に落ちてくれるので、XDocumentにそのまま流しこむことは出来ないわけです(もちろん、うちのサイトも詐称ですよ！ていうかこのサイトのHTMLは酷すぎるのでそのうち何とかしたい……)。 そこでHtmlを整形してXmlに変換するツールの出番なわけですが、まず名前が上がるのがTidy、の.NET移植であるTidy.NETで、これは論外。とにかく面倒くさい上に、パースしきれてなくてXDocumentに流すと平然と

[babydaemons]

Tidy.NETができない子だった件（ちょっと衝撃的）

[Kazumi007]

C#でもSgmlReaderを使えば、簡単にHTMLをパースできる。文字コード指定いらずなのは良いかも。

[takepierrot]

たくさんスクレイピングするときは便利に使えそうだな。

[Rinta]

これで少し楽をしたい。しかし、リンク先からモノを落とそうとするとMindTouchとかいうのしかないんだけど、これでいいんだろうか・・・