Парсинг HTML'а

Парсить html, конечно, можно с помощью регулярных выражений (Regex), но ... например, требуется получить содержимое всех тегов, у которых атрибут id начинается с подчеркивания или заканчивается цифрой. При этом веб-сервер возвращает невалидный html, который постоянно меняется:

string html = @"Hello,

<b id='_name'>World</b>!

</i>

<i id='_name'>Value1</i> Value2

</i>

<i id='id3'>Value3</i><i id='val'>Value4</i>

</b>";

В такой ситуации использование регулярных выражений практически невозможно.
Решение: загрузить html в HtmlDocument.

public static IHTMLDocument2 Parse(string html)

{

HTMLDocumentClass doc = new mshtml.HTMLDocumentClass();

(doc as IHTMLDocument2).write("");  // чтобы создать body и ...

MshtmlMarkupServices srv = new MshtmlMarkupServices(doc as IMarkupServicesRaw);

var res = srv.ParseString(html);

return res.Document;

}

С его помощью поставленная выше задача решается достаточно просто:

IHTMLDocument2 doc = Parse(html);

var linq = from tag in (doc.body.children as IHTMLElementCollection).Cast<IHTMLElement>()

where tag.id != null && (tag.id.StartsWith("_") || char.IsDigit(tag.id[tag.id.Length-1]))

select tag;

foreach (IHTMLElement tag in linq)

System.Diagnostics.Trace.WriteLine(tag.innerHTML);

Для компиляции к проекту надо подключить сборки, которые входят в состав Microsoft Live Writer:
1) C:\Program Files\Windows Live\Writer\WindowsLive.Writer.Mshtml.dll;
2) C:\Program Files\Windows Live\Writer\WindowsLive.Writer.Interop.Mshtml.dll

Сборка C:\Program Files\Microsoft.NET\Primary Interop Assemblies\Microsoft.mshtml.dll не используется, потому что метод IMarkupServices.ParseString импортирован таким образом, что лишает возможности передать в него строку.