c# 网页采集类 (方法)

 class WebCollection
    {
        /// <summary>
        /// 获取列表页所有URL链接地址
        /// </summary>
        /// <param name="ListUrl">列表页的URL</param>
        /// <param name="ListUrlStartCode">列表页开始的网页源代码</param>
        /// <param name="ListUrlEndCode">列表页结束的网页源代码</param>
        /// <param name="LinkUrlStartCode">链接开始的网页源代码</param>
        /// <param name="LinkUrlEndCode">链接结束的网页源代码</param>
        /// <param name="WebEncoding">列表页的网页编码</param>
        /// <returns>返回一个字符串数组,判断第一个字符串为true则成功</returns>
        public string[] GetUrlList(string ListUrl, string ListUrlStartCode, string ListUrlEndCode, string LinkUrlStartCode, string LinkUrlEndCode, string WebEncoding)
        {
            List<string> ListStr = new List<string>();
            try
            {
                HttpWebRequest req = (HttpWebRequest)WebRequest.Create(ListUrl);
                req.Method = "GET";
                req.ContentType = "application/x-www-form-urlencoded";
                HttpWebResponse resp = (HttpWebResponse)req.GetResponse();
                StreamReader sr = new StreamReader(resp.GetResponseStream(), Encoding.GetEncoding(WebEncoding));
                string respHtml = sr.ReadToEnd();
                respHtml = (respHtml.Split(new string[] { ListUrlStartCode, ListUrlEndCode }, StringSplitOptions.None))[1];
                string[] SplitStr = respHtml.Split(new string[] { LinkUrlStartCode, LinkUrlEndCode }, StringSplitOptions.None);

                for (int i = 1; i < SplitStr.Length; i = i + 2)
                {
                    ListStr.Add(SplitStr[i]);
                }
                ListStr.Insert(0, "true");
                return ListStr.ToArray();
            }
            catch (Exception er)
            {
                ListStr.Insert(0, "false,err:" + er.Message);
                return ListStr.ToArray();
            }
        }
        /// <summary>
        /// 获取内容页的多个内容块
        /// </summary>
        /// <param name="ContentUrl">内容页的URL地址</param>
        /// <param name="GetContentStartCode">想要获取的内容块所有的开始的网页源代码</param>
        /// <param name="GetContentEndCode">想要获取的内容块所有的结束的网页源代码<</param>
        /// <param name="WebEncoding">内容页的编码</param>
        /// <returns>返回处理后获得的内容块,第一个字符串为true则获取成功</returns>
        public string[] GetContent(string ContentUrl, string[] GetContentStartCode, string[] GetContentEndCode, string WebEncoding)
        {
            List<string> ListContent = new List<string>();
            try
            {
                HttpWebRequest req = (HttpWebRequest)WebRequest.Create(ContentUrl);
                req.Method = "GET";
                req.Timeout = 20000;
                req.AllowAutoRedirect = false;
                req.ContentType = "application/x-www-form-urlencoded";
                HttpWebResponse resp = (HttpWebResponse)req.GetResponse();
                StreamReader sr = new StreamReader(resp.GetResponseStream(), Encoding.GetEncoding(WebEncoding));
                string respHtml = sr.ReadToEnd();
                for (int i = 0; i < GetContentStartCode.Length; i++)
                {
                    string ReceiveContent = "";
                    ReceiveContent = (respHtml.Split(new string[] { GetContentStartCode[i], GetContentEndCode[i] }, StringSplitOptions.None))[1];
                    ListContent.Add(ReceiveContent);

                }
                ListContent.Insert(0, "true");
                return ListContent.ToArray();
            }
            catch (Exception er)
            {
                ListContent.Insert(0, "false,err:" + er.Message);
                return ListContent.ToArray();
            }
        }
        /// <summary>
        /// 去除HTML标记(转载方法)
        /// </summary>
        /// <param name="NoHTML">包括HTML的源码</param>
        /// <returns>已经去除后的文字</returns>
        public string NoHTML(string Htmlstring)
        {
            //删除脚本
            Htmlstring = Regex.Replace(Htmlstring, @"<script[^>]*?>.*?</script>", "", RegexOptions.IgnoreCase);
            //删除HTML
            Htmlstring = Regex.Replace(Htmlstring, @"<(.[^>]*)>", "", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"([\r\n])[\s]+", "", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"-->", "", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"<!--.*", "", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(quot|#34);", "\"", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(amp|#38);", "&", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(lt|#60);", "<", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(gt|#62);", ">", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(nbsp|#160);", " ", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(iexcl|#161);", "\xa1", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(cent|#162);", "\xa2", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(pound|#163);", "\xa3", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(copy|#169);", "\xa9", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&#(\d+);", "", RegexOptions.IgnoreCase);
            Htmlstring.Replace("<", "");
            Htmlstring.Replace(">", "");
            Htmlstring.Replace("\r\n", "");
            //Htmlstring = HttpContext.Current.Server.HtmlEncode(Htmlstring).Trim();
            return Htmlstring;
        }




    }

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
预览图片见:http://www.cnblogs.com/xxpyeippx/archive/2008/03/31/1131211.html运行环境windows nt/xp/2003 or above.net Framework 1.1SqlServer 2000 开发环境 VS 2003目的学习了网络编程,总要做点什么东西才好。于是想到要做一个网页内容采集器。作者主页: http://www.fltek.com.cn使用方式测试数据采用自cnBlog。见下图用户首先填写“起始网页”,即从哪一页开始采集。然后填写数据库连接字符串,这里是定义了采集到的数据插入到哪个数据库,后面选择表名,不必说了。网页编码,不出意外的话,中国大陆都可以采用UTF-8爬取文件名的正则:呵呵 这个工具明显是给编程人员用的。正则都要直接填写啦。比如说cnblogs的都是数字的,所以写了\d建表帮助:用户指定要建立几个varchar型的,几个text型的,主要是放短数据和长数据啊。如果你的表里本来就有列,那就免啦。程序里面没有做验证哦。网页设置里面:采集内容前后标记:比如说都有 xxx,如果我要采集xxx就写“到”,意思,当然就是到之间的内容啦。后面的几个文本框是显示内容的。点击“获取URL”可以查看它捕获的Url对不对的。点击“采集”,可以把采集内容放到数据库,然后就用 Insert xx () (select xx) 可以直接插入目标数据了。程序代码量非常小(也非常简陋),需要的改动一下啦。不足 应用到了正则表达式、网络编程由于是最简单的东西,所以没有用多线程,没有用其他的优化方法,不支持分页。测试了一下,获取38条数据,用了700M内存啊。。。。如果有用的人 ,可以改一下使用啦。方便程序员用,免写很多代码。Surance Yin@ Surance Center 转载请注明出处

“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
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