C# で HTML を効率的に解析することは、Web スクレイピング、データ抽出、コンテンツ自動化など、多くの開発シーンで求められる一般的な要件です。.NET には標準的なツール（例：HtmlAgilityPack）も存在しますが、Spire.Doc for .NET を使用すると、直感的なオブジェクトモデルとシームレスな統合により、C# での HTML 解析をより簡単に実現できます。 本記事では、Spire.Doc for .NET を使用して HTML を解析する方法について解説します。HTML の読み込み方法、ドキュメント構造の操作、重要なデータの抽出までを段階的に紹介します。 Spire.Doc のセットアップ Spire.Doc による HTML 解析の仕組み HTML コンテンツを読み込み・解析する方法 C# で HTML 文字列を解析 C# で HTML ファイルを解析 C# で URL を解析 まとめ よくある質問 Spire.Doc のセットアップ C# 用 HTML パーサーライブラリをプロジェクトへ追加する最も簡単な方法は、NuGet を利用することです。 Visual Studio でプロジェクトを開きます。 ソリューションエクスプローラーでプロジェクトを右クリック → NuGet パッケージの管理 を選択します。 NuGet パッケージマネージャーで Spire.Doc を検索します。 最新の安定版を選択し、インストールをクリックします。 または、E-iceblue の公式サイトからライブラリを直接ダウンロードし、ZIP ファイルを展開後、Spire.Doc.dll を参照追加することも可能です。 Spire.Doc による HTML 解析の仕組み Spire.Doc は HTML を構造化されたオブジェクトモデルへ変換します。たとえば、<p>、<a>、<table> などの HTML 要素は、それぞれ対応するクラスとしてマッピングされ、C# コードから直接アクセスできます。 主な構成要素は以下の通りです。 Document：解析された HTML コンテンツのコンテナとして機能します。 Section：コンテンツのブロックを表します（HTML の <body> や <div> セクションに類似）。 Paragraph：<p>、<h1>、<li> などのブロック要素に対応します。 DocumentObject：Paragraph 内に含まれるすべての要素（画像、リンクなど）の基底クラス。 このモデルにより、HTML 構造を維持したまま、直感的な C# のプロパティやメソッドを使って操作できます。 HTML コンテンツを読み込み・解析する方法 Spire.Doc は、文字列、ローカルファイル、さらにはリモート URL からの HTML 解析をサポートしています（HTTP クライアントと組み合わせた場合）。 以下では、それぞれのケースを詳しく解説します。 C# で HTML 文字列を解析 Web API やデータベースから取得した HTML 文字列を、Spire.Doc のオブジェクトモデルへ変換して解析します。 using Spire.Doc; using Spire.Doc.Documents; namespace ParseHtmlString { class Program { static void Main(string[] args) { // Document オブジェクトを作成 Document doc = new Document(); // セクションを追加 Section section = doc.AddSection(); // 段落を追加 Paragraph para = section.AddParagraph(); // 解析する HTML string htmlContent = @" <h2>HTML文字列のサンプル</h2> <p>これは<strong>太字テキスト</strong>と<a href=&#39;https://www.e-iceblue.com/&#39;>リンク</a>を含む段落です。</p> <ul> <li>リスト項目1：Word文書作成</li> <li>リスト項目2：HTML変換対応</li> </ul> "; // HTML を段落へ追加 para.AppendHTML(htmlContent); // 段落テキストを出力 Console.WriteLine("Parsed HTML Content:"); Console.WriteLine("---------------------"); foreach (Paragraph paragraph in section.Paragraphs) { Console.WriteLine(paragraph.Text); } } } } このコードでは、AppendHTML() メソッドによって HTML タグが自動的に対応する Spire.Doc オブジェクトへ変換されます（例：<h1> → Heading1 スタイル、<ul> → リスト段落）。 出力結果： プロのヒント：SaveToFile() メソッドを使用すれば、HTML を Word に変換することも可能です。 C# で HTML ファイルを解析 ファイルに保存された HTML コンテンツ（ダウンロードした Web ページや静的な HTML レポートなど）の場合、LoadFromFile() で読み込み、その構造を分析します（見出しや段落の抽出など）。 using Spire.Doc; using Spire.Doc.Documents; namespace ParseHtmlFile { class Program { static void Main(string[] args) { // Document オブジェクトを作成 Document doc = new Document(); // HTML ファイルを読み込み doc.LoadFromFile("sample.html", FileFormat.Html); // セクションを走査 foreach (Section section in doc.Sections) { Console.WriteLine($"Section {doc.Sections.IndexOf(section) + 1}:"); Console.WriteLine("---------------------------------"); // 段落を走査 foreach (Paragraph para in section.Paragraphs) { // スタイル名とテキストを表示 string styleName = para.StyleName; Console.WriteLine($"[{styleName}] {para.Text}" + "n"); } Console.WriteLine(); } } } } この例では、Paragraph.StyleName と Paragraph.Text を利用して、スタイル情報付きで HTML コンテンツを取得しています。 出力結果： Spire.Doc のオブジェクトモデルを使用すると、Word 文書と同じように HTML ファイルを操作できます。テキストコンテンツの抽出に加えて、リンクやテーブルなどの要素を HTML から抽出することも可能です。 C# で URL を解析 Web ページから HTML を解析するには、Spire.Doc と HttpClient を組み合わせて、まず HTML コンテンツを取得し、それを解析します。 using Spire.Doc; using Spire.Doc.Documents; namespace HtmlUrlParsing { class Program { // HttpClient インスタンス private static readonly HttpClient httpClient = new HttpClient(); static async Task Main(string[] args) { try { // URL から HTML を取得 string url = "https://jp.e-iceblue.com/misc/privacy-policy.html"; Console.WriteLine($"Fetching HTML from: {url}"); string htmlContent = await FetchHtmlFromUrl(url); // HTML を解析 Document doc = new Document(); Section section = doc.AddSection(); Paragraph paragraph = section.AddParagraph(); paragraph.AppendHTML(htmlContent); // 情報を抽出 Console.WriteLine("nParsed Content Summary:"); Console.WriteLine($"Sections: {doc.Sections.Count}"); Console.WriteLine($"Paragraphs: {section.Paragraphs.Count}"); Console.WriteLine("-------------------------------------------"); // 見出しを抽出 foreach (Paragraph para in section.Paragraphs) { if (para.StyleName.StartsWith("Heading")) { string headings = para.Text; Console.WriteLine($"Headings: {headings}"); } } } catch (Exception ex) { Console.WriteLine($"Error: {ex.Message}"); } } // URL から HTML を取得 private static async Task<string> FetchHtmlFromUrl(string url) { // User-Agent を設定 httpClient.DefaultRequestHeaders.UserAgent.ParseAdd( "Mozilla/5.0 (Windows NT 10.0; Win64; x64)"); // GET リクエスト送信 HttpResponseMessage response = await httpClient.GetAsync(url); // HTTP エラー時は例外 response.EnsureSuccessStatusCode(); return await response.Content.ReadAsStringAsync(); } } } このコードでは、Web スクレイピング（HTML の取得）とドキュメント解析（Spire.Doc）を組み合わせて、見出しなどの構造化データを抽出しています。コンテンツ分析や Web データ抽出に役立ちます。 出力結果： まとめ Spire.Doc for .NET は、C# アプリケーションで HTML を読み取るための包括的なソリューションを提供します。HTML 文字列、ローカルファイル、さらには Web URL を扱う場合でも、このライブラリは直感的な API と信頼性の高いパフォーマンスでプロセスを効率化します。このガイドで概説した例に従うことで、HTML 解析機能を .NET プロジェクトに効率的に統合できます。 Spire.Doc for .NET の機能を完全に体験するには、こちらから 30 日間の無料トライアルライセンスをリクエストしてください。 よくある質問 Q1：HtmlAgilityPack ではなく Spire.Doc を使う理由は？ A：Spire.Doc と HtmlAgilityPack は主な目的が異なるため、選択はニーズによって異なります。 HtmlAgilityPack：生の HTML の解析と操作（タグの抽出、無効な HTML の修正など）のみに特化した軽量ライブラリです。文書の書式設定や Word へのエクスポートは処理しません。 Spire.Doc：文書操作を主目的として設計されており、HTML を解析し、構造化された Word 要素（セクション、段落、見出し/太字などのスタイル）に直接マッピングします。これは、次のような場合に重要です： HTML 構造を保持したまま Word 化したい 見出しなどのスタイル情報を取得したい HTML を PDF / TXT / RTF へ変換したい Q2：C# で HTML をテキストへ変換する方法は？ A：GetText() メソッドを利用して HTML からテキストを取得し、.txt ファイルへ保存できます。 // Document オブジェクトを作成 Document doc = new Document(); // HTML ファイルを読み込み doc.LoadFromFile("sample.html", FileFormat.Html); // テキストを取得 string text = doc.GetText(); // テキストファイルへ保存 File.WriteAllText("HTMLText.txt", text); Q3：Spire.Doc は不完全な HTML に対応できますか？ A：はい。Spire.Doc は十分なエラー耐性を持っており、不完全な HTML もある程度処理できます。ただし、著しく不正な形式の HTML は解析の問題を引き起こす可能性があります。最良の結果を得るには、HTML が適切な形式であることを確認するか、Spire.Doc で解析する前に HTML サニタイゼーションライブラリを使用してください。 Q4：Spire.Doc は ASP.NET Core アプリケーションで使用できますか？ A：はい。Spire.Doc は ASP.NET Core と完全互換です。インストール方法や使用手順は、通常の .NET アプリケーションと同じです。
