数据采集需要的方法

2021-11-12 10:07:34

using System;
using System.Data;
using System.Configuration;
using System.Web;
using System.Web.Security;
using System.Web.UI;
using System.Web.UI.WebControls;
using System.Web.UI.WebControls.WebParts;
using System.Web.UI.HtmlControls;
using MSXML2;
using System.Text.RegularExpressions;
/// <summary>
/// ASP.NET数据采集封装注意：记得添加引用 Interop.MSXML2.dll 否则msxml2命名空间用不了 COM组件Interop.MSXML2.dll则COM的引用列表中的Microsoft.xml v3.0
/// </summary>
public class Search
{
public Search()
{
//
// TODO: 在此处添加构造函数逻辑
}
public void Dispose()
{
GC.SuppressFinalize(this);
}
#region 日期随机函数
/**********************************
* 函数名称:DateRndName
* 功能说明:日期随机函数
* 参数:ra:随机数
* 调用示例:
* GetRemoteObj o = new GetRemoteObj();
* Random ra = new Random();
* string s = o.DateRndName(ra);
* Response.Write(s);
* o.Dispose();
* ********************************/
/// <summary>
/// 日期随机函数
/// </summary>
/// <param name="ra">随机数</param>
/// <returns></returns>
public string DateRndName(Random ra)
DateTime d = DateTime.Now;
string s = null, y, m, dd, h, mm, ss;
y = d.Year.ToString();
m = d.Month.ToString();
if (m.Length < 2) m = "0" + m;
dd = d.Day.ToString();
if (dd.Length < 2) dd = "0" + dd;
h = d.Hour.ToString();
if (h.Length < 2) h = "0" + h;
mm = d.Minute.ToString();
if (mm.Length < 2) mm = "0" + mm;
ss = d.Second.ToString();
if (ss.Length < 2) ss = "0" + ss;
s += y + m + dd + h + mm + ss;
s += ra.Next(100, 999).ToString();
return s;
#endregion
#region 取得文件后缀
* 函数名称:GetFileExtends
* 功能说明:取得文件后缀
* 参数:filename:文件名称
* string url = @"http://www.baidu.com/img/logo.gif";
* string s = o.GetFileExtends(url);
/// 取得文件后缀
/// <param name="filename">文件名称</param>
public string GetFileExtends(string filename)
string ext = null;
if (filename.IndexOf('.') > 0)
{
string[] fs = filename.Split('.');
ext = fs[fs.Length - 1];
}
return ext;
#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
* string url = @"http://www.baidu.com";
* string s = o.GetRemoteHtmlCode(url);
/// 获取远程文件源代码
/// <param name="url">远程url</param>
public string GetRemoteHtmlCode(string Url)
string s = "";
try
{
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);
}
}
catch (Exception ex)
{
s = ex.Message+"指定的地址不存在或地址错误";
#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
* string s = "";
* string path =Server.MapPath("Html/");
* s = o.RemoteSave(url,path);
* o.Dispose();
* ******************************/
/// 保存远程文件
/// <param name="Url">远程url</param>
/// <param name="Path">保存到的路径</param>
public string RemoteSave(string Url, string Path)
Random ra = new Random();
string StringFileName = DateRndName(ra) + "." + GetFileExtends(Url);
string StringFilePath = Path + StringFileName;
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();
else
throw new Exception(_xmlhttp.statusText);
return StringFileName;
#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
* string Url = @"http://www.baidu.com";
* strion HtmlCode = o.GetRemoteHtmlCode(Url);
* string s = o.ReplaceEnter(HtmlCode);
/// 替换网页中的换行和引号
/// <param name="HtmlCode">HTML源代码</param>
public string ReplaceEnter(string HtmlCode)
string s = "";
if (HtmlCode == null || HtmlCode == "")
s = "";
s = HtmlCode.Replace("\"", "");
s = s.Replace("\r\n", "");
#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
* string Reg="<title>.+?</title>";
* string GetValue=o.GetRegValue(Reg,HtmlCode)
* Response.Write(GetValue);
/// 执行正则提取出值
/// <param name="RegexString">正则表达式</param>
/// <param name="RemoteStr">HtmlCode源代码</param>
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;
#region 替换HTML源代码
* 函数名称:RemoveHTML
* 功能说明:替换HTML源代码
/// 替换HTML源代码
/// <param name="HtmlCode">html源代码</param>
public string RemoveHTML(string HtmlCode)
string MatchVale = HtmlCode;
foreach (Match s in Regex.Matches(HtmlCode, "<.+?>"))
MatchVale = MatchVale.Replace(s.Value, "");
#region 匹配页面的链接
* 函数名称:GetHref
* 功能说明:匹配页面的链接
* string s = o.GetHref(HtmlCode);
/// 获取页面的链接正则
/// <param name="HtmlCode"></param>
public string GetHref(string HtmlCode)
string Reg = @"(h|H)(r|R)(e|E)(f|F) *= *('|"")?((\w|\\|\/|\.|:|-|_)+)('|""| *|>)?";
foreach (Match m in Regex.Matches(HtmlCode, Reg))
MatchVale += (m.Value).ToLower().Replace("href=", "").Trim() + "||";
#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
* string s = o.GetImgSrc(HtmlCode,"http://www.baidu.com/");
/// 匹配页面的图片地址
/// <param name="imgHttp">要补充的http://路径信息</param>
public string GetImgSrc(string HtmlCode, string imgHttp)
string Reg = @"<img.+?>";
MatchVale += GetImg((m.Value).ToLower().Trim(), imgHttp) + "||";
/// 匹配<img src="" />中的图片路径实际链接
/// <param name="ImgString"><img src="" />字符串</param>
public string GetImg(string ImgString, string imgHttp)
string Reg = @"src=.+\.(bmp|jpg|gif|png|)";
foreach (Match m in Regex.Matches(ImgString.ToLower(), Reg))
MatchVale += (m.Value).ToLower().Trim().Replace("src=", "");
return (imgHttp + MatchVale);
#region 替换通过正则获取字符串所带的正则首尾匹配字符串
* string s = o.RegReplace(HtmlCode,"<title>","</title>");
/// 替换通过正则获取字符串所带的正则首尾匹配字符串
/// <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>
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, "");
/********************************** 以下为测试过的,在魏言项目里使用的采集方法.按方法顺序调用既可采集
* 函数名称:SniffwebCode
* 功能说明:获得页面HTML代码中开始标记和结束标记中间的数据:测试可用
* 参数:HTML源代码 ,开始标记,结束标记
* 调用示例:
*string url = @"http://sohe.inhe.net/Search/SearchingGuild.aspx";
*string s = o.GetRemoteHtmlCode(url);//获得网站源码
*s=this.SniffwebCode(s,this.TextBox2.Text,this.TextBox3.Text);//获得指定HTML开始标记和结束标记中间的数据
* ********************************/
/// <summary>
/// 获得HTML代码开始标记和结束标记中间的数据
/// </summary>
/// <param name="code">HTML代码</param>
/// <param name="wordsBegin">开始标记</param>
/// <param name="wordsEnd">结束标记</param>
/// <returns></returns>
public string SniffwebCode(string code, string wordsBegin, string wordsEnd)
string NewsTitle = "";
Regex regex1 = new Regex("" + wordsBegin + @"(?<title>[\s\S]+?)" + wordsEnd + "", RegexOptions.Compiled | RegexOptions.IgnoreCase);
for (Match match1 = regex1.Match(code); match1.Success; match1 = match1.NextMatch())
NewsTitle = match1.Groups["title"].ToString();
return NewsTitle;
/*** 调用例子获得指定Html代码中所有超级连接的标题和连接地址:测试有效反回DataTable列说明:title 文字 url 地址
* string url = @"http://sohe.inhe.net/Search/SearchingGuild.aspx";
* string HtmlAllCode = o.GetRemoteHtmlCode(url);//获得网站所有源码
* HtmlAllCode = o.SniffwebCode(HtmlAllCode, this.TextBox2.Text, this.TextBox3.Text);//根据开始标记和结束标记获得中间的数据
* DataTable table = o.GetCodeHref(HtmlAllCode);//获得指定Html所有超级连接的标题和连接地址返回一个DataTable表
* foreach(DataRow row in table.Rows)//循环表输出标题和连接
* {
* Response.Write(row["title"]+"<br>");
* Response.Write(row["url"] + "<br>");
* }
*/
/// 获得指定Html代码中所有超级连接的标题和连接地址:测试有效反回DataTable列说明:title 文字 url 地址
/// <param name="HtmlCode">需要匹配出超级连接的HTML代码</param>
public DataTable GetCodeHref(string HtmlCode)
//匹配指定HTML代码中所有的超级连接中的href 和超连接文字内容的正则有时候需要根据实际情况做小调整如果标题中间有<B>文字</B>的话
string regex = @"\<a.*href\s*=\s*(?:""(?<url>[^""]*)""|'(?<url>[^']*)'|(?<url>[^\>^\s]+)).*\>(?<title>[^\<^\>]*)\<[^\</a\>]*/a\>";
Regex reg1 = new Regex(regex, RegexOptions.IgnoreCase);//创建正则表达式对象
MatchCollection ms1 = reg1.Matches(HtmlCode);//根据正则表达式匹配出所有匹配项返匹配集合
DataTable table = new DataTable();//创建存储标题和连接的内存表
table.Columns.Add("title");//标题文字列
table.Columns.Add("url");//连接字符串
foreach (Match m1 in ms1)//迭代集合获得每个匹配项
DataRow row = table.NewRow();//创建一行
row["title"] = m1.Groups["title"].Value.ToString();
row["url"] = m1.Groups["url"].Value.ToString();
table.Rows.Add(row);//添加入行集合
return table;
}

.net c# html xml 正则

上一篇: 线程sleep，wait，notify，join，yield方法解析

下一篇: 小技巧—Linux下对拍

继续阅读