C#采集网页代码

原创 2011年01月23日 22:54:00

/**//**********************************
             * 函数名称:ReplaceEnter
             * 功能说明:替换网页中的换行和引号
             * 参    数:HtmlCode:html源代码
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj(); 
             *          string Url = @"http://www.baidu.com";
             *          string HtmlCode = o.GetRemoteHtmlCode(Url);
             *          string s = o.ReplaceEnter(HtmlCode);
             *          Response.Write(s);
             *          o.Dispose();
             * ********************************/
            /**//// <summary>
            /// 替换网页中的换行和引号

            /// </summary>
            /// <param name="HtmlCode">HTML源代码</param>
            /// <returns></returns>
            public string ReplaceEnter(string HtmlCode)
            {
                string s = "";
                if (HtmlCode == null || HtmlCode == "")
                    s = "";
                else
                    s = HtmlCode.Replace("/"", "");

                s = s.Replace("/r", "");
                s = s.Replace("/n", "");
                return s;
            }


            #endregion

            执行正则提取出值#region 执行正则提取出值
            /**//**********************************
             * 函数名称:GetRegValue
             * 功能说明:执行正则提取出值
             * 参    数:HtmlCode:html源代码
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj();
             *          string Url = @"http://www.baidu.com";
             *          string HtmlCode = o.GetRemoteHtmlCode(Url);


             *          string s = o.ReplaceEnter(HtmlCode);
             *          string Reg="<title>.+?</title>";
             *          string GetValue=o.GetRegValue(Reg,HtmlCode)
             *          Response.Write(GetValue);
             *          o.Dispose();
             * ********************************/
            /**//// <summary>


            /// 执行正则提取出值
            /// </summary>
            /// <param name="RegexString">正则表达式</param>
            /// <param name="RemoteStr">HtmlCode源代码</param>
            /// <returns></returns>
            public string  GetRegValue(string RegexString, string RemoteStr)


             {
                string MatchVale = "";
                Regex r = new Regex(RegexString);
                Match m = r.Match(RemoteStr);
                if (m.Success)
                {
                    MatchVale = m.Value;
                }
                return MatchVale;
            }

            #endregion

            替换HTML源代码#region 替换HTML源代码
            /**//**********************************
             * 函数名称:RemoveHTML
             * 功能说明:替换HTML源代码
             * 参    数:HtmlCode:html源代码
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj();
             *          string Url = @"http://www.baidu.com";
             *          string HtmlCode = o.GetRemoteHtmlCode(Url); 中国网管联盟bitsCN.com
             *          string s = o.ReplaceEnter(HtmlCode);
             *          string Reg="<title>.+?</title>";
             *          string GetValue=o.GetRegValue(Reg,HtmlCode) 

             *          Response.Write(GetValue);
             *          o.Dispose();
             * ********************************/
            /**//// <summary>
            /// 替换HTML源代码
            /// </summary>
            /// <param name="HtmlCode">html源代码</param>
            /// <returns></returns>
            public string RemoveHTML(string HtmlCode)

            {
                string MatchVale = HtmlCode;
                foreach (Match s in Regex.Matches(HtmlCode, "<.+?>"))
                {
                    MatchVale = MatchVale.Replace(s.Value, "");
                }
                return MatchVale;
            } 
            #endregion 

            匹配页面的链接#region 匹配页面的链接
            /**//**********************************
             * 函数名称:GetHref
             * 功能说明:匹配页面的链接
             * 参    数:HtmlCode:html源代码
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj();
             *          string Url = @"http://www.baidu.com";
             *          string HtmlCode = o.GetRemoteHtmlCode(Url);
             *          string s = o.GetHref(HtmlCode);
             *          Response.Write(s);
             *          o.Dispose();
             * ********************************/


#region 获取远程文件源代码
            /**//**********************************
             * 函数名称:GetRemoteHtmlCode
             * 功能说明:获取远程文件源代码
             * 参    数:Url:远程url
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj();
             *          string url = @"http://www.baidu.com";
             *          string s = o.GetRemoteHtmlCode(url);
             *          Response.Write(s);
             *          o.Dispose();
             * ********************************/
            /**//// <summary>
            /// 获取远程文件源代码


            /// </summary>
            /// <param name="url">远程url</param>
            /// <returns></returns>
            public string GetRemoteHtmlCode(string Url)
            {
                string s = "";
                MSXML2.XMLHTTP _xmlhttp = new MSXML2.XMLHTTPClass();
                _xmlhttp.open("GET", Url, false, null, null);
                _xmlhttp.send("");
                if (_xmlhttp.readyState == 4)


                {
                    s = System.Text.Encoding.Default.GetString((byte[])_xmlhttp.responseBody);
                }
                return s;
            }


            #endregion 

            保存远程文件#region 保存远程文件
            /**//**********************************
             * 函数名称:RemoteSave
             * 功能说明:保存远程文件
             * 参    数:Url:远程url;Path:保存到的路径
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj();
             *          string s = "";
             *          string url = @"


             *          string path =Server.MapPath("Html/");
             *          s = o.RemoteSave(url,path);
             *          Response.Write(s);
             *          o.Dispose();
             * ******************************/
            /**//// <summary>
            /// 保存远程文件
            /// </summary>
            /// <param name="Url">远程url</param>


            /// <param name="Path">保存到的路径</param>
            /// <returns></returns>
            public string RemoteSave(string Url, string Path)
            {

                Random ra = new Random();
                string newfilename = string.Empty;
                string StringFileName = DateRndName(ra) + "." + GetFileExtends(Url);
                if (GetFileExtends(Url).Trim().ToLower() != "jpg")
                    newfilename = StringFileName;
                else
                    newfilename = DateRndName(ra) + "Addpic." + GetFileExtends(Url);
                string StringFilePath = Path + StringFileName; 网管网www_bitscn_com

            string newfilepath = Path + newfilename;
                string retname = string.Empty;
                try
                {
                    MSXML2.XMLHTTP _xmlhttp = new MSXML2.XMLHTTPClass();
                    _xmlhttp.open("GET", Url, false, null, null);
                    _xmlhttp.send("");
                    if (_xmlhttp.readyState == 4)


                    {
                        if (System.IO.File.Exists(StringFilePath))
                            System.IO.File.Delete(StringFilePath);
                        System.IO.FileStream fs = new System.IO.FileStream(StringFilePath, System.IO.FileMode.CreateNew);
                        System.IO.BinaryWriter w = new System.IO.BinaryWriter(fs);
                        w.Write((byte[])_xmlhttp.responseBody);
                        w.Close();
                        fs.Close();
                        if (GetFileExtends(Url).Trim().ToLower() == "jpg")
                        {


                         function myfunction = new function();
                            //myfunction.AddShuiYinWord(StringFilePath, newfilepath);
                            service myserver=new service();
                            myfunction.AddShuiYinPic(StringFilePath, newfilepath, HttpContext.Current.Server.MapPath(myserver.myweblogo));
                        } 

                    }
                    else
                        throw new Exception(_xmlhttp.statusText);
                }
                catch (Exception ex)
                { 网管u家www.bitscn.net

                }
                return newfilename;
            }
            #endregion

            替换网页中的换行和引号#region 替换网页中的换行和引号
/**//**********************************
             * 函数名称:ReplaceEnter
             * 功能说明:替换网页中的换行和引号
             * 参    数:HtmlCode:html源代码
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj(); 网管联盟bitsCN@com
             *          string Url = @"http://www.baidu.com";
             *          string HtmlCode = o.GetRemoteHtmlCode(Url);
             *          string s = o.ReplaceEnter(HtmlCode);
             *          Response.Write(s);
             *          o.Dispose();
             * ********************************/
            /**//// <summary>
            /// 替换网页中的换行和引号

            /// </summary>
            /// <param name="HtmlCode">HTML源代码</param>
            /// <returns></returns>
            public string ReplaceEnter(string HtmlCode)
            {
                string s = "";
                if (HtmlCode == null || HtmlCode == "")
                    s = "";
                else
                    s = HtmlCode.Replace("/"", "");

                s = s.Replace("/r", "");
                s = s.Replace("/n", "");
                return s;
            }


            #endregion

            执行正则提取出值#region 执行正则提取出值
            /**//**********************************
             * 函数名称:GetRegValue
             * 功能说明:执行正则提取出值
             * 参    数:HtmlCode:html源代码
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj();
             *          string Url = @"http://www.baidu.com";
             *          string HtmlCode = o.GetRemoteHtmlCode(Url);


             *          string s = o.ReplaceEnter(HtmlCode);
             *          string Reg="<title>.+?</title>";
             *          string GetValue=o.GetRegValue(Reg,HtmlCode)
             *          Response.Write(GetValue);
             *          o.Dispose();
             * ********************************/
            /**//// <summary>


            /// 执行正则提取出值
            /// </summary>
            /// <param name="RegexString">正则表达式</param>
            /// <param name="RemoteStr">HtmlCode源代码</param>
            /// <returns></returns>
            public string  GetRegValue(string RegexString, string RemoteStr)


             {
                string MatchVale = "";
                Regex r = new Regex(RegexString);
                Match m = r.Match(RemoteStr);
                if (m.Success)
                {
                    MatchVale = m.Value;
                }
                return MatchVale;
            }

            #endregion

            替换HTML源代码#region 替换HTML源代码
            /**//**********************************
             * 函数名称:RemoveHTML
             * 功能说明:替换HTML源代码
             * 参    数:HtmlCode:html源代码
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj();
             *          string Url = @"http://www.baidu.com";
             *          string HtmlCode = o.GetRemoteHtmlCode(Url); 中国网管联盟bitsCN.com
             *          string s = o.ReplaceEnter(HtmlCode);
             *          string Reg="<title>.+?</title>";
             *          string GetValue=o.GetRegValue(Reg,HtmlCode) 

             *          Response.Write(GetValue);
             *          o.Dispose();
             * ********************************/
            /**//// <summary>
            /// 替换HTML源代码
            /// </summary>
            /// <param name="HtmlCode">html源代码</param>
            /// <returns></returns>
            public string RemoveHTML(string HtmlCode)

            {
                string MatchVale = HtmlCode;
                foreach (Match s in Regex.Matches(HtmlCode, "<.+?>"))
                {
                    MatchVale = MatchVale.Replace(s.Value, "");
                }
                return MatchVale;
            } 
            #endregion 

            #region 匹配页面的链接
            /**//**********************************
             * 函数名称:GetHref
             * 功能说明:匹配页面的链接
             * 参    数:HtmlCode:html源代码
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj();
             *          string Url = @"http://www.baidu.com";
             *          string HtmlCode = o.GetRemoteHtmlCode(Url);
             *          string s = o.GetHref(HtmlCode);
             *          Response.Write(s);
             *          o.Dispose();
             * ********************************/

/**//// <summary>
            /// 获取页面的链接正则
            /// </summary>
            /// <param name="HtmlCode"></param>
            /// <returns></returns>
            public string GetHref(string HtmlCode)
            {
                string MatchVale = "";
                string Reg = @"(h|H)(r|R)(e|E)(f|F) *= *(’|"")?((/w|//|//|/.|:|-|_)+)[/S]*";
                foreach(Match m in Regex.Matches(HtmlCode,Reg)) 网管下载dl.bitscn.com
                {
                    MatchVale += (m.Value).ToLower().Replace("href=", "").Trim() + "|";
                }
                return MatchVale;
            }
            #endregion


            匹配页面的图片地址#region 匹配页面的图片地址

            /**//**********************************
             * 函数名称:GetImgSrc
             * 功能说明:匹配页面的图片地址
             * 参    数:HtmlCode:html源代码;imgHttp:要补充的http.当比如:<img src="bb/x.gif">则要补充http://www.baidu.com/,当包含http信息时,则可以为空
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj();
             *          string Url = @"http://www.baidu.com";
             *          string HtmlCode = o.GetRemoteHtmlCode(Url);


             *          string s = o.GetImgSrc(HtmlCode,"http://www.baidu.com/");
             *          Response.Write(s);
             *          o.Dispose();
             * ********************************/
            /**//// <summary>
            /// 匹配页面的图片地址
            /// </summary>
            /// <param name="HtmlCode"></param>
            /// <param name="imgHttp">要补充的http://路径信息</param>


            /// <returns></returns>
            public string GetImgSrc(string HtmlCode, string imgHttp)
            {
                string MatchVale = "";
                string Reg = @"<img.+?>"; 
                 foreach (Match m in Regex.Matches(HtmlCode.ToLower(), Reg))
                {
                    MatchVale += GetImg((m.Value).ToLower().Trim(), imgHttp) + "|";
                }

                return MatchVale;
            }
            /**//// <summary>
            /// 匹配<img src="" />中的图片路径实际链接
            /// </summary>
            /// <param name="ImgString"><img src="" />字符串</param>
            /// <returns></returns>
            public string GetImg(string ImgString, string imgHttp)
            {
                string MatchVale = "";

                string Reg = @"src=.+/.(bmp|jpg|gif|png|)";
                foreach (Match m in Regex.Matches(ImgString.ToLower(), Reg))
                {
                    MatchVale += (m.Value).ToLower().Trim().Replace("src=","");
                }
                if (MatchVale.IndexOf(".net") != -1 || MatchVale.IndexOf(".com") != -1 || MatchVale.IndexOf(".org") != -1 || MatchVale.IndexOf(".cn") != -1 || MatchVale.IndexOf(".cc") != -1 || MatchVale.IndexOf(".info") != -1 || MatchVale.IndexOf(".biz") != -1 || MatchVale.IndexOf(".tv") != -1)


              return (MatchVale);
                else
                return (imgHttp+MatchVale);
            } 

            #endregion

            替换通过正则获取字符串所带的正则首尾匹配字符串#region 替换通过正则获取字符串所带的正则首尾匹配字符串
            /**//**********************************
             * 函数名称:GetHref
             * 功能说明:匹配页面的链接
             * 参    数:HtmlCode:html源代码
             * 调用示例:
             *          GetRemoteObj o = new GetRemoteObj();
             *          string Url = @"http://www.baidu.com";

             *          string HtmlCode = o.GetRemoteHtmlCode(Url);
             *          string s = o.RegReplace(HtmlCode,"<title>","</title>");
             *          Response.Write(s);
             *          o.Dispose();
             * ********************************/
            /**//// <summary>
            /// 替换通过正则获取字符串所带的正则首尾匹配字符串
            /// </summary>


            /// <param name="RegValue">要替换的值</param>
            /// <param name="regStart">正则匹配的首字符串</param>

            /// <param name="regEnd">正则匹配的尾字符串</param>
            /// <returns></returns>
            public string RegReplace(string RegValue, string regStart,string regEnd)
            {
                string s = RegValue;
                if (RegValue != "" && RegValue != null)
                {
                    if (regStart != "" && regStart != null)
                    {

                        s = s.Replace(regStart, "");
                    }
                    if (regEnd != "" && regEnd != null)
                    {
                        s = s.Replace(regEnd, "");
                    }
                }
                return s;


            }
            #endregion 网管朋友网www_bitscn_net
    } 

    }

C#多线程网页采集器(Spider)

这是一个C#语言编写的多线程网页自动采集程序。下面展示了主要类的代码。完整代码请点此下载。 转自:http://www.cnblogs.com/closetome/articles/171176...
  • my98800
  • my98800
  • 2016年04月05日 08:30
  • 1087

火车采集器采集电商网站中网页源码中不显示的评论数据方法

火车采集器采集京东、淘宝上的评论数据
  • yiluyangguang1234
  • yiluyangguang1234
  • 2014年12月19日 22:00
  • 1265

c#多线程抓取网页内容(转)

在《爬虫/蜘蛛程序的制作(C#语言)》一文中,已经介绍了爬虫程序实现的基本方法,可以说,已经实现了爬虫的功能。只是它存在一个效率问题,下载速度可能很慢。这是两方面的原因造成的: 1.      ...
  • suese
  • suese
  • 2016年12月14日 15:47
  • 1361

python从零写一个采集器:获取网页源码

博客链接 https://uublog.com/article/20170206/python-get-web-source/前言 过完年无聊,想学学Python,想了半天,从实用的角度出发,打算...
  • MichaelJScofield
  • MichaelJScofield
  • 2017年05月16日 10:15
  • 1913

c#_美团数据采集之c#对js调用

这两天做一个项目,要从美团网站提取出客户的信息。项目的难点在于提取用户手机号码的时候网页的元数据并不直接展示在html中,所以不能简单的对网页进行匹配提取。以下是用到的一些解决方法。 c#调用js...
  • qq_29663023
  • qq_29663023
  • 2016年10月18日 14:13
  • 603

终于完成几个淘宝采集相关产品(http://www.9zhai.net/)

相关介绍 鉴于淘宝商家对一些淘宝商品数据有很大的需求,如商品标题,价格,库存,图片及其他一些的信息,从而达到一些监控的目的 基于Ecshop,EcMall,ShopNc等系统的采集 这篇文章是这几...
  • zwwtj2014
  • zwwtj2014
  • 2015年07月01日 09:30
  • 1168

防止网站内容被采集

很多防采集方法在施行的时候需要考虑是否影响搜索引擎对网站的抓取,所以先来分析下一般采集器和搜索引擎爬虫采集有何不同。   相同点:   a. 两者都需要直接抓取到网页源码才能有效工作,   b....
  • fuguotao1
  • fuguotao1
  • 2016年12月18日 12:03
  • 636

java采集网页数据方法【多线程数据采集之一】

第一步抓取数据。 java采集网页数据。获取html文本节点 有几种办法。转载文章请注明来处:http://blog.csdn.net/column/details/threa...
  • qq545923664
  • qq545923664
  • 2015年04月09日 16:53
  • 1887

c#抓取页面乱码解决办法

最近在做一个页面采集的过程中发现,页面抓取后乱码,而且时好时不好。然后发现编码也没有问题,原来是GZIP压缩导致的。 在朋友们的热心帮助下终于解决了。下面就贴代码吧,抓取gzip及其它页面防止乱...
  • daiyan_csdn
  • daiyan_csdn
  • 2016年08月16日 20:22
  • 365

c#串口温度数据的波形采集

该上位机是由串口和波形显示两部分组成。废话少说先上传上位机的图片如下: 1.串口的配置 通过“端口设置”来设置串口的相应参数,“端口检测”用来自动检测当前计算机可用的串口,端口...
  • SenlinCao
  • SenlinCao
  • 2016年05月14日 11:28
  • 3006
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:C#采集网页代码
举报原因:
原因补充:

(最多只允许输入30个字)