数据采集基类［转］

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;  //  添加引用、COM、Microsoft   XML   ,   v2.6、选择、确定。
using  System.Text.RegularExpressions;

     ///   <summary>
     ///  远程文件抓取类
     ///   </summary>
public   class  GetRemoteObj
{

     #region  构造与析构函数
     public  GetRemoteObj()
    {
         //
         //  TODO: 在此处添加构造函数逻辑
         //
    }
     ~ GetRemoteObj()
    {
        Dispose();
    }
     #endregion

     #region  IDisposable 成员

     public   void  Dispose()
    {
        GC.SuppressFinalize( this );
    }

     #endregion

     #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  =   "" ;
        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);
        }
         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;
    }
     #endregion


}