提取网页中的超链接(C#)

using System;
using System.Xml;
using System.Text;
using System.Net;
using System.IO;
using System.Collections;
using System.Text.RegularExpressions;

public class App
{
 public static void Main()
 {  
  string strCode;
  ArrayList alLinks;
  
  Console.Write("请输入一个网页地址:"); 
  string strURL = Console.ReadLine();
  if(strURL.Substring(0,7) != @"http://")
  {
   strURL = @"http://" + strURL;
  }

  Console.WriteLine("正在获取页面代码,请稍侯..."); 
  strCode = GetPageSource(strURL);

  Console.WriteLine("正在提取超链接,请稍侯..."); 
  alLinks = GetHyperLinks(strCode);

  Console.WriteLine("正在写入文件,请稍侯..."); 
  WriteToXml(strURL,alLinks);
 }

 // 获取指定网页的HTML代码
 static string GetPageSource(string URL)
 {
  Uri uri =new Uri(URL);

  HttpWebRequest hwReq = (HttpWebRequest)WebRequest.Create(uri);
  HttpWebResponse hwRes = (HttpWebResponse)hwReq.GetResponse();

  hwReq.Method = "Get";

  hwReq.KeepAlive = false;

  StreamReader reader = new StreamReader(hwRes.GetResponseStream(),System.Text.Encoding.GetEncoding("GB2312"));

  return reader.ReadToEnd();
 }

 // 提取HTML代码中的网址
 static ArrayList GetHyperLinks(string htmlCode)
 {
  ArrayList al = new ArrayList();

  string strRegex = @"http://([/w-]+/.)+[/w-]+(/[/w- ./?%&=]*)?";

  Regex r = new Regex(strRegex,RegexOptions.IgnoreCase);
  MatchCollection m = r.Matches(htmlCode);

  for(int i=0; i<=m.Count-1; i++)
  {
   bool rep = false;
   string strNew = m[i].ToString();

   // 过滤重复的URL
   foreach(string str in al)
   {
    if(strNew==str)
    {
     rep =true;
     break;
    }   
   }

   if(!rep) al.Add(strNew);
  }

  al.Sort();

  return al;
 }

 // 把网址写入xml文件
 static void WriteToXml(string strURL, ArrayList alHyperLinks)
 {
  XmlTextWriter writer = new XmlTextWriter("HyperLinks.xml",Encoding.UTF8); 
  
  writer.Formatting = Formatting.Indented;
  writer.WriteStartDocument(false);
  writer.WriteDocType("HyperLinks", null, "urls.dtd", null);
  writer.WriteComment("提取自" + strURL + "的超链接");
  writer.WriteStartElement("HyperLinks");
  writer.WriteStartElement("HyperLinks", null);
  writer.WriteAttributeString("DateTime",DateTime.Now.ToString());


  foreach(string str in alHyperLinks)
  {
   string title = GetDomain(str);
   string body = str;
   writer.WriteElementString(title,null,body);
  }

  writer.WriteEndElement();
  writer.WriteEndElement();

  writer.Flush();
  writer.Close();
 }

 // 获取网址的域名后缀
 static string GetDomain(string strURL)
 {
  string retVal;

  string strRegex = @"(/.com/|/.net/|/.cn/|/.org/|/.gov/)";

  Regex r = new Regex(strRegex,RegexOptions.IgnoreCase); 
  Match m = r.Match(strURL);
  retVal = m.ToString();

  strRegex = @"/.|/$";
  retVal = Regex.Replace(retVal, strRegex, "").ToString();

  if(retVal == "")
   retVal = "other";

  return retVal;
 }
}

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值