用 AngleSharp 处理 HTML 别再用正则了，直接上这个 C# 库

想在 .NET 环境里解析 HTML，很多人第一反应是写个正则表达式，或者随便找个能把标签去掉的工具。但如果你需要一个真正符合 W3C 标准的 DOM 树，能用 querySelector 这种浏览器熟悉的语法在后端精准定位元素，直接用 AngleSharp 就对了。它不是那种“差不多能用”的解析器，而是完整的 headless DOM 实现，不需要启动浏览器进程就能跑。

为什么不要用正则解析 HTML

很多人在写简单爬虫或数据提取时喜欢用正则，但 HTML 这种非正则语言一旦遇到嵌套标签或者属性里带个大于号，正则就崩了。AngleSharp 的核心逻辑是把 raw markup 丢进 tokenizer，然后构建 tree，最后生成一个标准的 DOM。

我之前在处理一些复杂的网页抓取任务时，尝试用简单的字符串截取，结果在遇到不规范的闭合标签时报错不断。换成 AngleSharp 后，它能像 Chrome 一样容忍那些垃圾代码，自动补全缺失的标签，这才是工业级解析器的价值。

怎么在项目里快速跑起来

在 .NET 6/7/8 环境下，直接通过 NuGet 安装 AngleSharp 即可。它的 API 设计几乎和前端 JS 一模一样，如果你会写 JavaScript 抓取，几乎零成本上手。

一个典型的使用流程是先初始化一个 HtmlParser，然后把 HTML 字符串加载成 IDocument。

using AngleSharp;
using AngleSharp.Dom;

// 1. 初始化解析器
var config = new AngleSharp.Configuration();
var parser = new HtmlParser().Parse("<div><p class='content'>Hello World</p></div>");

// 2. 使用类似 JS 的 CSS 选择器定位元素
// 这里的 querySelector 是实打实的 W3C 标准实现
var element = parser.QuerySelector(".content");

if (element != null)
{
    Console.WriteLine(element.TextContent); // 输出: Hello World
}

实际操作中要注意的坑

在实际使用这个库的时候，有几个细节决定了你的运行效率和稳定性：

• 内存开销： 虽然它不需要浏览器，但构建完整的 DOM 树依然吃内存。如果你处理的是 GB 级别的超大 HTML 文件，不要一次性全部 Parse 进内存，否则很容易 OOM（内存溢出）。
• CSS 选择器性能： 尽量使用 ID 选择器（#id）而不是复杂的层级选择器，因为在巨大的 DOM 树中进行深度递归搜索会有明显的耗时增加。
• 编码问题： 如果抓取到的网页编码不是 UTF-8，在加载字符串前最好先通过 HttpClient 获取原始字节流，再用正确的编码转换，否则传给 AngleSharp 的字符串本身就是乱码，解析出来的 DOM 也是错的。

性能与备选方案对比

如果你的需求只是简单的提取某个标签内容，且对性能要求极高（比如每秒处理万级页面），AngleSharp 可能会显得略重，因为它的目标是“标准兼容”而非“极致速度”。在这种场景下，可以对比一下 HtmlAgilityPack。

• AngleSharp： 强在标准兼容性。如果你依赖 CSS 选择器，或者需要一个真正的 DOM 结构来模拟浏览器行为，选它。
• HtmlAgilityPack： 强在速度和轻量。如果你只需要通过 XPath 快速捞几个字段，且不在乎它是否完全符合 W3C 规范，可以用这个。