数据采集需要的方法

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 

         * 调用示例: 

         *          GetRemoteObj o = new GetRemoteObj(); 

         *          string url = @"http://www.baidu.com/img/logo.gif"; 

         *          string s = o.GetFileExtends(url); 

         *          Response.Write(s); 

         *          o.Dispose(); 

         * ********************************/ 

        /// <summary> 

        /// 取得文件后缀 

        /// </summary> 

        /// <param name="filename">文件名称</param> 

        /// <returns></returns> 

        public string GetFileExtends(string filename) 

        { 

            string ext = null; 

            if (filename.IndexOf('.') > 0) 

            { 

                string[] fs = filename.Split('.'); 

                ext = fs[fs.Length - 1]; 

            } 

            return ext; 

        } 

        #endregion 

        #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 

         * 调用示例: 

         *          GetRemoteObj o = new GetRemoteObj(); 

         *          string url = @"http://www.baidu.com"; 

         *          string s = o.GetRemoteHtmlCode(url); 

         *          Response.Write(s); 

         *          o.Dispose(); 

         * ********************************/ 

        /// <summary> 

        /// 获取远程文件源代码 

        /// </summary> 

        /// <param name="url">远程url</param> 

        /// <returns></returns> 

        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";

            }

            return s; 

        } 

        #endregion 

        #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 

         * 调用示例: 

         *          GetRemoteObj o = new GetRemoteObj(); 

         *          string s = ""; 

         *          string url = @"http://www.baidu.com/img/logo.gif"; 

         *          string path =Server.MapPath("Html/"); 

         *          s = o.RemoteSave(url,path); 

         *          Response.Write(s); 

         *          o.Dispose();          

         * ******************************/ 

        /// <summary> 

        /// 保存远程文件 

        /// </summary> 

        /// <param name="Url">远程url</param> 

        /// <param name="Path">保存到的路径</param> 

        /// <returns></returns> 

        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; 

        } 

        #endregion 

  #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 

         * 调用示例: 

         *          GetRemoteObj o = new GetRemoteObj(); 

         *          string Url = @"http://www.baidu.com"; 

         *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 

         *          string s = o.ReplaceEnter(HtmlCode); 

         *          Response.Write(s); 

         *          o.Dispose(); 

         * ********************************/ 

        /// <summary> 

        /// 替换网页中的换行和引号 

        /// </summary> 

        /// <param name="HtmlCode">HTML源代码</param> 

        /// <returns></returns> 

        public string ReplaceEnter(string HtmlCode) 

        { 

            string s = ""; 

            if (HtmlCode == null || HtmlCode == "") 

                s = ""; 

            else 

                s = HtmlCode.Replace("\"", ""); 

            s = s.Replace("\r\n", ""); 

            return s; 

        } 

        #endregion 

        #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 

         * 参    数:HtmlCode:html源代码 

         * 调用示例: 

         *          GetRemoteObj o = new GetRemoteObj(); 

         *          string Url = @"http://www.baidu.com"; 

         *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 

         *          string s = o.ReplaceEnter(HtmlCode); 

         *          string Reg="<title>.+?</title>"; 

         *          string GetValue=o.GetRegValue(Reg,HtmlCode) 

         *          Response.Write(GetValue); 

         *          o.Dispose(); 

         * ********************************/ 

        /// <summary> 

        /// 执行正则提取出值 

        /// </summary> 

        /// <param name="RegexString">正则表达式</param> 

        /// <param name="RemoteStr">HtmlCode源代码</param> 

        /// <returns></returns> 

        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; 

        } 

        #endregion 

        #region 替换HTML源代码 

        /********************************** 

         * 函数名称:RemoveHTML 

         * 功能说明:替换HTML源代码 

         * 参    数:HtmlCode:html源代码 

         * 调用示例: 

         *          GetRemoteObj o = new GetRemoteObj(); 

         *          string Url = @"http://www.baidu.com"; 

         *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 

         *          string s = o.ReplaceEnter(HtmlCode); 

         *          string Reg="<title>.+?</title>"; 

         *          string GetValue=o.GetRegValue(Reg,HtmlCode) 

         *          Response.Write(GetValue); 

         *          o.Dispose(); 

         * ********************************/ 

        /// <summary> 

        /// 替换HTML源代码 

        /// </summary> 

        /// <param name="HtmlCode">html源代码</param> 

        /// <returns></returns> 

        public string RemoveHTML(string HtmlCode) 

        { 

            string MatchVale = HtmlCode; 

            foreach (Match s in Regex.Matches(HtmlCode, "<.+?>")) 

            { 

                MatchVale = MatchVale.Replace(s.Value, ""); 

            } 

            return MatchVale; 

        } 

        #endregion 

        #region 匹配页面的链接 

        /********************************** 

         * 函数名称:GetHref 

         * 功能说明:匹配页面的链接 

         * 参    数:HtmlCode:html源代码 

         * 调用示例: 

         *          GetRemoteObj o = new GetRemoteObj(); 

         *          string Url = @"http://www.baidu.com"; 

         *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 

         *          string s = o.GetHref(HtmlCode); 

         *          Response.Write(s); 

         *          o.Dispose(); 

         * ********************************/ 

        /// <summary> 

        /// 获取页面的链接正则 

        /// </summary> 

        /// <param name="HtmlCode"></param> 

        /// <returns></returns> 

        public string GetHref(string HtmlCode) 

        { 

            string MatchVale = ""; 

            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() + "||"; 

            } 

            return MatchVale; 

        } 

        #endregion 

        #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 

         * 调用示例: 

         *          GetRemoteObj o = new GetRemoteObj(); 

         *          string Url = @"http://www.baidu.com"; 

         *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 

         *          string s = o.GetImgSrc(HtmlCode,"http://www.baidu.com/"); 

         *          Response.Write(s); 

         *          o.Dispose(); 

         * ********************************/ 

        /// <summary> 

        /// 匹配页面的图片地址 

        /// </summary> 

        /// <param name="HtmlCode"></param> 

        /// <param name="imgHttp">要补充的http://路径信息</param> 

        /// <returns></returns> 

        public string GetImgSrc(string HtmlCode, string imgHttp) 

        { 

            string MatchVale = ""; 

            string Reg = @"<img.+?>"; 

            foreach (Match m in Regex.Matches(HtmlCode, Reg)) 

            { 

                MatchVale += GetImg((m.Value).ToLower().Trim(), imgHttp) + "||"; 

            } 

            return MatchVale; 

        } 

        /// <summary> 

        /// 匹配<img src="" />中的图片路径实际链接 

        /// </summary> 

        /// <param name="ImgString"><img src="" />字符串</param> 

        /// <returns></returns> 

        public string GetImg(string ImgString, string imgHttp) 

        { 

            string MatchVale = ""; 

            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); 

        } 

        #endregion 

        #region 替换通过正则获取字符串所带的正则首尾匹配字符串 

        /********************************** 

         * 函数名称:GetHref 

         * 功能说明:匹配页面的链接 

         * 参    数:HtmlCode:html源代码 

         * 调用示例: 

         *          GetRemoteObj o = new GetRemoteObj(); 

         *          string Url = @"http://www.baidu.com"; 

         *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 

         *          string s = o.RegReplace(HtmlCode,"<title>","</title>"); 

         *          Response.Write(s); 

         *          o.Dispose(); 

         * ********************************/ 

        /// <summary> 

        /// 替换通过正则获取字符串所带的正则首尾匹配字符串 

        /// </summary> 

        /// <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> 

        /// <returns></returns> 

        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, ""); 

                } 

            } 

            return s; 

        }

        /********************************** 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>");

        *  }

        */

        /// <summary>

        /// 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

        /// </summary>

        /// <param name="HtmlCode">需要匹配出超级连接的HTML代码</param>

        /// <returns></returns>

        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;

        }

        #endregion 

}