• linkedu视频
  • 平面设计
  • 电脑入门
  • 操作系统
  • 办公应用
  • 电脑硬件
  • 动画设计
  • 3D设计
  • 网页设计
  • CAD设计
  • 影音处理
  • 数据库
  • 程序设计
  • 认证考试
  • 信息管理
  • 信息安全
菜单
linkedu.com
  • 网页制作
  • 数据库
  • 程序设计
  • 操作系统
  • CMS教程
  • 游戏攻略
  • 脚本语言
  • 平面设计
  • 软件教程
  • 网络安全
  • 电脑知识
  • 服务器
  • 视频教程
  • JavaScript
  • ASP.NET
  • PHP
  • 正则表达式
  • AJAX
  • JSP
  • ASP
  • Flex
  • XML
  • 编程技巧
  • Android
  • swift
  • C#教程
  • vb
  • vb.net
  • C语言
  • Java
  • Delphi
  • 易语言
  • vc/mfc
  • 嵌入式开发
  • 游戏开发
  • ios
  • 编程问答
  • 汇编语言
  • 微信小程序
  • 数据结构
  • OpenGL
  • 架构设计
  • qt
  • 微信公众号
您的位置:首页 > 程序设计 >C#教程 > C#实现抓取和分析网页类实例

C#实现抓取和分析网页类实例

作者:陌香 字体:[增加 减小] 来源:互联网 时间:2017-05-28

陌香 通过本文主要向大家介绍了c#网页编程实例,c#web开发实例,c#串口编程实例,c#窗口界面设计实例,c#实例视频教程等相关知识,希望对您有所帮助,也希望大家支持linkedu.com www.linkedu.com

本文实例讲述了C#实现抓取和分析网页类。分享给大家供大家参考。具体分析如下:

这里介绍了抓取和分析网页的类。

其主要功能有:

1、提取网页的纯文本,去所有html标签和javascript代码
2、提取网页的链接,包括href和frame及iframe
3、提取网页的title等(其它的标签可依此类推,正则是一样的)
4、可以实现简单的表单提交及cookie保存

/*
* Author:Sunjoy at CCNU
* 如果您改进了这个类请发一份代码给我(ccnusjy 在gmail.com)
*/
using System;
using System.Data;
using System.Configuration;
using System.Net;
using System.IO;
using System.Text;
using System.Collections.Generic;
using System.Text.RegularExpressions;
using System.Threading;
using System.Web;
/// <summary>
/// 网页类
/// </summary>
public class WebPage
{
 #region 私有成员
 private Uri m_uri; //网址
 private List<Link> m_links; //此网页上的链接
 private string m_title;  //此网页的标题
 private string m_html;   //此网页的HTML代码
 private string m_outstr;  //此网页可输出的纯文本
 private bool m_good;   //此网页是否可用
 private int m_pagesize;  //此网页的大小
 private static Dictionary<string, CookieContainer> webcookies = new Dictionary<string, CookieContainer>();//存放所有网页的Cookie
 private string m_post; //此网页的登陆页需要的POST数据
 private string m_loginurl; //此网页的登陆页
 #endregion
 #region 私有方法
 /// <summary>
 /// 这私有方法从网页的HTML代码中分析出链接信息
 /// </summary>
 /// <returns>List<Link></returns>
 private List<Link> getLinks()
 {
  if (m_links.Count == 0)
  {
   Regex[] regex = new Regex[2];
   regex[0] = new Regex("(?m)<a[^><]+href=(\"|')?(?<url>([^>\"'\\s)])+)(\"|')?[^>]*>(?<text>(\\w|\\W)*?)</", RegexOptions.Multiline | RegexOptions.IgnoreCase);
   regex[1] = new Regex("<[i]*frame[^><]+src=(\"|')?(?<url>([^>\"'\\s)])+)(\"|')?[^>]*>", RegexOptions.Multiline | RegexOptions.IgnoreCase);
   for (int i = 0; i < 2; i++)
   {
    Match match = regex[i].Match(m_html);
    while (match.Success)
    {
     try
     {
      string url = new Uri(m_uri, match.Groups["url"].Value).AbsoluteUri;
      string text = "";
      if (i == 0) text = new Regex("(<[^>]+>)|(\\s)|( )|&|\"", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(match.Groups["text"].Value, "");
      Link link = new Link(url, text);
      m_links.Add(link);
     }
     catch(Exception ex){Console.WriteLine(ex.Message); };
     match = match.NextMatch();
    }
   }
  }
  return m_links;
 }
 /// <summary>
 /// 此私有方法从一段HTML文本中提取出一定字数的纯文本
 /// </summary>
 /// <param name="instr">HTML代码</param>
 /// <param name="firstN">提取从头数多少个字</param>
 /// <param name="withLink">是否要链接里面的字</param>
 /// <returns>纯文本</returns>
 private string getFirstNchar(string instr, int firstN, bool withLink)
 {
  if (m_outstr == "")
  {
   m_outstr = instr.Clone() as string;
   m_outstr = new Regex(@"(?m)<script[^>]*>(\w|\W)*?</script[^>]*>", RegexOptions.Multiline | RegexOptions.IgnoreCase ).Replace(m_outstr, "");
   m_outstr = new Regex(@"(?m)<style[^>]*>(\w|\W)*?</style[^>]*>", RegexOptions.Multiline | RegexOptions.IgnoreCase ).Replace(m_outstr, "");
   m_outstr = new Regex(@"(?m)<select[^>]*>(\w|\W)*?</select[^>]*>", RegexOptions.Multiline | RegexOptions.IgnoreCase ).Replace(m_outstr, "");
   if (!withLink) m_outstr = new Regex(@"(?m)<a[^>]*>(\w|\W)*?</a[^>]*>", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(m_outstr, "");
   Regex objReg = new System.Text.RegularExpressions.Regex("(<[^>]+?>)| ", RegexOptions.Multiline | RegexOptions.IgnoreCase);
   m_outstr = objReg.Replace(m_outstr, "");
   Regex objReg2 = new System.Text.RegularExpressions.Regex("(\\s)+", RegexOptions.Multiline | RegexOptions.IgnoreCase);
   m_outstr = objReg2.Replace(m_outstr, " ");
  }
  return m_outstr.Length > firstN ? m_outstr.Substring(0, firstN) : m_outstr;
 }
 /// <summary>
 /// 此私有方法返回一个IP地址对应的无符号整数
 /// </summary>
 /// <param name="x">IP地址</param>
 /// <returns></returns>
 private uint getuintFromIP(IPAddress x)
 {
  Byte[] bt = x.GetAddressBytes();
  uint i = (uint)(bt[0] * 256 * 256 * 256);
  i += (uint)(bt[1] * 256 * 256);
  i += (uint)(bt[2] * 256);
  i += (uint)(bt[3]);
  return i;
 }
 #endregion
 #region 公有文法
 /// <summary>
 /// 此公有方法提取网页中一定字数的纯文本,包括链接文字
 /// </summary>
 /// <param name="firstN">字数</param>
 /// <returns></returns>
 public string getContext(int firstN)
 {
  return getFirstNchar(m_html, firstN, true);
 }
 /// <summary>
 /// 此公有方法提取网页中一定字数的纯文本,不包括链接文字
 /// </summary>
 /// <param name="firstN"></param>
 /// <returns></returns>
 public string getContextWithOutLink(int firstN)
 {
  return getFirstNchar(m_html, firstN, false);
 }
 /// <summary>
 /// 此公有方法从本网页的链接中提取一定数量的链接,该链接的URL满足某正则式
 /// </summary>
 /// <param name="pattern">正则式</param>
 /// <param name="count">返回的链接的个数</param>
 /// <returns>List<Link></returns>
 public List<Link> getSpecialLinksByUrl(string pattern,int count)
 {
  if(m_links.Count==0)getLinks();
  List<Link> SpecialLinks = new List<Link>();
  List<Link>.Enumerator i;
  i = m_links.GetEnumerator();
  int cnt = 0;
  while (i.MoveNext() && cnt<count)
  {
   if (new Regex(pattern, RegexOptions.Multiline | RegexOptions.IgnoreCase ).Match(i.Current.url).Success)
   {
    SpecialLinks.Add(i.Current);
    cnt++;
   }
  } 
  return SpecialLinks;
 }
 /// <summary>
 /// 此公有方法从本网页的链接中提取一定数量的链接,该链接的文字满足某正则式
 /// </summary>
 /// <param name="pattern">正则式</param>
 /// <param name="count">返回的链接的个数</param>
 /// <returns>List<Link></returns>
 public List<Link> getSpecialLinksByText(string pattern,int count)
 {
  if (m_links.Count == 0) getLinks();
  List<Link> SpecialLinks = new List<Link>();
  List<Link>.Enumerator i;
  i = m_links.GetEnumerator();
  int cnt = 0;
  while (i.MoveNext() && cnt < count)
  {
   if (new Regex(pattern, RegexOptions.Multiline | RegexOptions.IgnoreCase ).Match(i.Current.text).Success)
   {
    SpecialLinks.Add(i.Current);
    cnt++;
   }
  }
  return SpecialLinks;
 }
 /// <summary>
 /// 此公有方法获得所有链接中在一定IP范围的链接
 /// </summary>
 /// <param name="_ip_start">起始IP</param>
 /// <param name="_ip_end">终止IP</param>
 /// <returns></returns>
 public List<Link> getSpecialLinksByIP(string _ip_start, string _ip_end)
 {
  IPAddress ip_start = IPAddress.Parse(_ip_start);
  IPAddress ip_end = IPAddress.Parse(_ip_end);
  if (m_links.Count == 0) getLinks();
  List<Link> SpecialLinks = new List<Link>();
  List<Link>.Enumerator i;
  i = m_links.GetEnumerator();
  while (i.MoveNext())
  {
   IPAddress ip;
   try
   {
    ip = Dns.GetHostEntry(new Uri(i.Current.url).Host).AddressList[0];
   }
   catch { continue; }
   if(getuintFromIP(ip)>=getuintFromIP(ip_start) && getuintFromIP(ip)<=getuintFromIP(ip_end))
   {
    SpecialLinks.Add(i.Current);
   }
  }
  return SpecialLinks;
 }
 /// <summary>
 /// 这公有方法提取本网页的纯文本中满足某正则式的文字
 /// </summary>
 /// <param name="pattern">正



 
分享到:QQ空间新浪微博腾讯微博微信百度贴吧QQ好友复制网址打印

您可能想查找下面的文章:

  • C#实现抓取和分析网页类实例
  • C#网页信息采集方法汇总
  • C#几种获取网页源文件代码的实例

相关文章

  • 2017-05-28C#判断字符串是否存在字母及字符串中字符的替换实例
  • 2017-05-28C#组合函数的使用详解
  • 2017-05-28C#中计算时间差中的小数问题解决
  • 2017-05-28asp.net core mvc权限控制:在视图中控制操作权限
  • 2017-05-28C#学习笔记- 随机函数Random()的用法详解
  • 2017-05-28c#方法中调用参数的值传递方式和引用传递方式以及ref与out的区别深入解析
  • 2017-05-28C#画笔Pen绘制自定义线的帽子
  • 2017-05-28C#判断一个图像是否是透明的GIF图的方法
  • 2017-05-28Windows服务编写(Windows Service,system权限)程序显示界面与用户交互(xp,win7通用)
  • 2017-05-28C#实现读取指定盘符硬盘序列号的方法

文章分类

  • JavaScript
  • ASP.NET
  • PHP
  • 正则表达式
  • AJAX
  • JSP
  • ASP
  • Flex
  • XML
  • 编程技巧
  • Android
  • swift
  • C#教程
  • vb
  • vb.net
  • C语言
  • Java
  • Delphi
  • 易语言
  • vc/mfc
  • 嵌入式开发
  • 游戏开发
  • ios
  • 编程问答
  • 汇编语言
  • 微信小程序
  • 数据结构
  • OpenGL
  • 架构设计
  • qt
  • 微信公众号

最近更新的内容

    • C#中GraphicsPath的Warp方法用法实例
    • C# 计算标准偏差相当于Excel中的STDEV函数实例
    • 快速解决C# android base-64 字符数组的无效长度问题
    • C#中常量和只读变量的区别小结
    • C#操作IIS程序池及站点的创建配置实现代码
    • 如何使用C#程序给PDF文件添加编辑域
    • 用C#编写获取远程IP,MAC的方法
    • 在C#中新手易犯的典型缺陷
    • C#递归题目实例代码
    • 基于C#实现Windows服务状态启动和停止服务的方法

关于我们 - 联系我们 - 免责声明 - 网站地图

©2020-2025 All Rights Reserved. linkedu.com 版权所有