如何抓取网页数据、分析并且去除Html标签(C#)-CSDN博客

<@Aattention Content="本Blog原创文章，转载或引用请注明转载" From="Robby.cnblogs.com"@>

由于自己的搜索引擎中做到了这一块内容，所以今天说说如何抓取网页数据、分析并且去除Html标签，给大家提供一个参考。我的平台是Visual Studio2005，C#。

—————————————————————割—————————————————————————

首先将网页内容整个抓取下来，这个我就不说了，不是本次话题的重点。假设抓取的数据放在RecvBuffer这个 byte[]中（数据从网络上传输过来时不是字符串的形式而是byte），那么我们的第一步就是将RecvBuffer转化为String，以便于对其操作，实例如下：

// 将接收到的数据增加到响应字符串中

strResponse += Encoding.ASCII.GetString(RecvBuffer, 0 , nBytes);

strResponse即是保存数据的字符串，此处用系统自带的System.Text.Encoding的方法转化RecvBuffer，GetString的第一个参数RecvBuffer就是我们的原始数据，即包含需要解码的字节序列的字节数组；第二个参数0代表第一个要解码的字节的索引，一般就从0开始；第三个参数nBytes为要解码的字节数，可以自己调整。

得到了数据的字符串形式，然后可以对网页进行解析了（其实就是对字符串的各种操作和正则表达式的应用）。下面我以几个例子来说明对网页数据的解析：

// 解析页面，查找链接

// 此处尚需扩展，还有某些形式的链接不被识别

MatchCollection matches = new Regex(strRef).Matches(strResponse);

strStatus += " 找到: " + matches.Count + " 个链接\r\n " ;

      上面的例子将网页中的链接解析出来，strRef变量表示了正则表达式的模式，变量matches表示符合匹配的项目的集合，后面的Regex(strRef).Matches(strResponse)就是创建正则规则使得strResponse里符合strRef模式的字符串都返回。然后调用matches的变量就可以取得各种信息了。
      当然，这里只能识别一些基本的链接形式，像script中的链接和一些不带“”的链接都没有被支持，这个的扩展还是蛮简单的。
      再举几个更简单点的解析的例子，大家学习学习：

// 获取标题

Match TitleMatch = Regex.Match(strResponse, " <title>([^<]*)</title> " , RegexOptions.IgnoreCase | RegexOptions.Multiline);

title = TitleMatch.Groups[ 1 ].Value;

// 获取描述信息

Match Desc = Regex.Match(strResponse, " <Meta name=\ " DESCRIPTION\ " content=\ " ([ ^< ] * )\ " > " , RegexOptions.IgnoreCase | RegexOptions.Multiline);

strdesc = Desc.Groups[ 1 ].Value;

// 获取网页的大小

size = strResponse.Length;

—————————————————————割—————————————————————————

好了，下面说一下如何去除Html标签，这个想必有很多初学者很需要。其实还是正则表达式和字符串基本操作的应用，由于这个功能还是比较常用的，所以例子写成了函数，便于调用：