HtmlAgilityPack解析HTML需谨防DocumentNode为null、XPath不支持CSS选择器、InnerText含冗余字符等问题：须先判空再查询，用XPath而非CSS语法，提取前清理script/style并预处理空白。
HtmlAgilityPack 不是“拿来就能用”的 XML 解析器，它对 HTML 的容忍度高，但 XPath 查询、节点提取、编码处理等环节稍有疏忽就会崩或取错——核心问题从来不是语法写得对不对，而是你有没有踩中它那几个关键设计假设。
DocumentNode 为 null 是最常触发 NullReferenceException 的地方
根本原因不是 HTML 写错了，而是 LoadHtml() 或 Load() 执行后没校验 DocumentNode 是否为空。空字符串、null 输入、HTTP 响应失败（比如状态码 404/500 后仍调用 LoadHtml()）、或 HTML 片段缺失根节点（如只有 <div>xxx</div>），都会导致 DocumentNode == null。
- 永远在调用
SelectNodes()前加判断：if (doc.DocumentNode == null) throw new InvalidOperationException("HTML parsing failed: DocumentNode is null"); - 用
LoadHtml()解析片段时，先手动包裹：html = $"<html><body>{html}</body></html>"; - 从
HttpClient拿内容后，别直接传给LoadHtml()：先检查response.IsSuccessStatusCode和response.Content.ReadAsStringAsync().Result?.Trim()是否非空 - 用
HtmlWeb.Load()读远程 URL 时，记得设web.OverrideEncoding = Encoding.UTF8;，否则编码不匹配也可能让解析中途退出，DocumentNode为null
SelectNodes("//div[@class='xxx']") 找不到节点？XPath 和 HTML 实际结构不匹配
浏览器里能看见，SelectNodes() 却返回空，大概率是把 HTML 当 XML 用了。HtmlAgilityPack 支持松散 HTML（比如 <img src=x>），但 XPath 引擎本身是严格按 DOM 树结构匹配的，而真实网页的 class 属性往往含空格、引号不统一、大小写混用，甚至属性值顺序不固定。
-
SelectNodes()只接受 XPath 1.0 表达式，不支持 CSS 选择器（"div.content"会静默失败） - class 多值场景下，别用
@class='content'，改用contains(@class, 'content')；但要注意误匹配，比如'highlighted'也会被contains(@class, 'highlight')命中 - 要精准匹配多 class，可用
normalize-space(@class) = 'a b c'，前提是 HTML 中 class 值的空格和顺序完全一致 - 属性值含单引号时，XPath 字符串要用双引号包裹，例如：
"//a[@href=\"http://x.com?q=a&b=c\"]" - 调试时先输出
doc.DocumentNode.OuterHtml.Substring(0, 500)，确认实际构建出的 DOM 结构是否和你预期的一致
InnerText 返回一堆换行、 、script/style 内容？这不是 bug，是设计行为
InnerText 是模拟浏览器“渲染后文本”的粗略实现：它会保留 <script> 和 <style> 里的文本，合并连续空白但不清理 Unicode 空格（如 \u00A0），也不过滤注释或不可见字符。
文章转信息图。将文章/笔记转化为手机可读的 HTML 信息图，自动匹配视觉风格。触发场景：文章转图、笔记转图、信息图、转小红书图、做张图、可视化这篇文章、文生图。
立即学习“前端免费学习笔记（深入）”；
- 要干净文本，别依赖
InnerText，改用node.Descendants().Where(n => n.NodeType == HtmlNodeType.Text).Select(n => n.InnerText).Aggregate((a, b) => a + b)手动收文本节点 - 若需去除所有标签再清理空白，可用：
Regex.Replace(node.InnerHtml, @"]*>", "").Replace("\u00A0", " ").Replace("\r\n", " ").Replace("\n", " ").Replace("\t", " ")，再Regex.Replace(..., @"\s+", " ").Trim() - 设
doc.OptionPreserveWhitespace = false（默认就是 false），避免因保留缩进导致文本长度异常 - 提取前先移除 script/style 节点：
foreach (var s in doc.DocumentNode.SelectNodes("//script|//style")) s.Remove();
性能差、内存涨得快？别复用 HtmlDocument 实例，也别滥用 SelectNodes
SelectNodes() 每次都重新遍历整棵树，且返回的是动态集合（HtmlNodeCollection），不是缓存结果；同时 HtmlDocument 不是线程安全的，单例复用在并发场景下极易出错。
- 避免在循环里反复调用
SelectNodes()，提取一次后缓存结果，比如var nodes = doc.DocumentNode.SelectNodes("//a").ToList(); - 不要把
HtmlDocument做成静态单例或长期存活对象，每个 HTML 字符串应创建新实例，用完即弃 - 查子元素优先用
node.Descendants("a")而非node.SelectNodes(".//a")，前者不走 XPath 引擎，更快更稳 - 大量解析时，注意
HtmlWeb内部会缓存 HTTP 响应，如需控制生命周期，建议用HttpClient自行获取 HTML 字符串，再交由HtmlDocument.LoadHtml()
真正难的不是写对一个 XPath，而是理解 HtmlAgilityPack 在“容忍畸形 HTML”和“提供标准查询接口”之间做的权衡——它不会替你决定 class 是该全匹配还是模糊包含，也不会自动跳过 script 标签；这些都得你根据目标页面的实际结构显式处理，漏掉任何一环，结果就不可控。
