基于XML技术的网页内容提取

如题
我这学期选的课题是这个但是不知道该怎么准备，导师也没怎么说清楚，希望各位达人能指点一二，小弟在这谢过啦！

---

谢谢你 ，我现在也自己看资料整理思路呢，具体的还要一点时间。

引用

思路如下：
使用C#+XML技术如下：
1、WebClient获取网页内容
2、网页内容是HTML标签，用XML的技术提取，页面肯定要符合XML的基本语法。
因此要将不规则的标签，转换成XHTML的合法格式，关于XHTML的dtd，参考W3C的网站。
把大写标签转换成小写标签，可以用正则表达式的替换功能
3、下步就是分析获取什么样的内容，这步可能用到的技术XQuery和XSLT

具体没有说的很清楚，这是自己的想法，第1、2两点我是做过的，不过我是提取里面的图片

---

你可以利用webbroser访问一个页面，然后，用webbroser.document获得html dom，webbroser.document.body.outerHTML，就是body元素内的所有HTML了。

---

webbroser 改为webbrowser