asp.net/C#网页数据采集

 

http://blog.sina.com.cn/s/blog_5a39b0c70100ed6m.html

早在以前就听说过数据采集这个神奇的功能，当时对这个是多么的奢望啊。~00~，后来想要给自己开个采集的网站，就想到了整个电影的采集站。

 

  在好奇的动力下，开始疯狂的查阅以及学习关于网页采集，数据采集等相关信息。不过网上大部都是asp的和php的，关于.net的很少。无奈之下只要硬着头皮学习。经过几天的努力，最终还是给我研究出来了。心里还是挺高兴的袄。其实网页采集也没有用到什么高深的技术，都是些普普通通的技术，只不过效果比较神奇，就会让人感觉到整个都比较深奥，如果你想学习.net的数据采集，以及思路，那么请看完。

 

   数据采集大体可以分为两部曲：

 

一部曲：

        因为要采集别人网页上的内容，所有我们先要得到要采集网页上的html代码，获取html代码还是比较简单。利用WebClient的DownloadData(url)得带byte数组，然后在转换成string字符串。

        具体代码如下：

///<summary>

       /// 获取网页源代码

       ///</summary>

       ///<param name="url">URL路径</param>

       ///<param name="encoding">编码方式</param>

       publicstring GetHTML(string url, string encoding)

        {

           WebClient web = newWebClient();

           byte[] buffer = web.DownloadData(url);

           returnEncoding.GetEncoding(encoding).GetString(buffer);

        }

二部曲：

       现在我们得到了目标网页的html代码，那么我们就开始时得扣取我们想要的数据。扣取数据无疑就要用到强大的正则表达式了。利用正则表达式的匹配来获取我们要的内容，这里可以过滤掉制定的html代码，剩下的就是内容了。

具体代码如下：

Htmlhtml = newHtml();

//得到指定页面的html代码，第一个参数为url(貌似都知道),第二个是目标网页的编码集

       string htmlCode = html.GetHTML("http://gvod.tom59.cn/List.asp?ClassId=3", "gb2312");

       //正则表达式

       Regex regexarticles = newRegex("<td\\s+height=\"\\d+\"><a\\s+href=\".+DataId=(?<id>\\d+)\"\\s+target=\"_blank\">(?<title>.+)</a>.*</td>");

 

 

 

       //所有匹配表达式的内容

       MatchCollection marticles = regexarticles.Matches(htmlCode);

       ///遍历匹配内容

       foreach (Match m in marticles)

        {

            Console.Write("标题:"+ m.Groups["title"].Value+"\n");

            Console.Write("id:" + m.Groups["id"].Value + "\n");

            Console.Write("\n");

}

 

以上就是采集数据的核心代码，关于正则表达式我在这里就不详细讲解了(其实正则表达式我也是菜鸟哈)。

 

 结语：大部分看似很神奇的功能，都是我们平常所用的功能拼加起来的，其实仔细分析起来也没有多大的难度，只要能够认真研究。