魏言ASP.NET数据采集封装类,封装了所有数据采集需要的方法

 

  1. using System;
  2. using System.Data;
  3. using System.Configuration;
  4. using System.Web;
  5. using System.Web.Security;
  6. using System.Web.UI;
  7. using System.Web.UI.WebControls;
  8. using System.Web.UI.WebControls.WebParts;
  9. using System.Web.UI.HtmlControls;
  10. using MSXML2;
  11. using System.Text.RegularExpressions; 
  12. /// <summary>
  13. /// 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 
  14. /// </summary>
  15. public class Search
  16. {
  17.     
  18.         public Search()
  19.         {
  20.             //
  21.             // TODO: 在此处添加构造函数逻辑
  22.             //
  23.         }
  24.           public void Dispose() 
  25.         { 
  26.             GC.SuppressFinalize(this); 
  27.         } 
  28.        
  29.         #region 日期随机函数 
  30.         /********************************** 
  31.          * 函数名称:DateRndName 
  32.          * 功能说明:日期随机函数 
  33.          * 参    数:ra:随机数 
  34.          * 调用示例: 
  35.          *          GetRemoteObj o = new GetRemoteObj(); 
  36.          *          Random ra = new Random(); 
  37.          *          string s = o.DateRndName(ra); 
  38.          *          Response.Write(s); 
  39.          *          o.Dispose(); 
  40.          * ********************************/ 
  41.         /// <summary> 
  42.         /// 日期随机函数 
  43.         /// </summary> 
  44.         /// <param name="ra">随机数</param> 
  45.         /// <returns></returns> 
  46.         public string DateRndName(Random ra) 
  47.         { 
  48.             DateTime d = DateTime.Now; 
  49.             string s = null, y, m, dd, h, mm, ss; 
  50.             y = d.Year.ToString(); 
  51.             m = d.Month.ToString(); 
  52.             if (m.Length < 2) m = "0" + m; 
  53.             dd = d.Day.ToString(); 
  54.             if (dd.Length < 2) dd = "0" + dd; 
  55.             h = d.Hour.ToString(); 
  56.             if (h.Length < 2) h = "0" + h; 
  57.             mm = d.Minute.ToString(); 
  58.             if (mm.Length < 2) mm = "0" + mm; 
  59.             ss = d.Second.ToString(); 
  60.             if (ss.Length < 2) ss = "0" + ss; 
  61.             s += y + m + dd + h + mm + ss; 
  62.             s += ra.Next(100, 999).ToString(); 
  63.             return s; 
  64.         } 
  65.         #endregion 
  66.         #region 取得文件后缀 
  67.         /********************************** 
  68.          * 函数名称:GetFileExtends 
  69.          * 功能说明:取得文件后缀 
  70.          * 参    数:filename:文件名称 
  71.          * 调用示例: 
  72.          *          GetRemoteObj o = new GetRemoteObj(); 
  73.          *          string url = @"http://www.baidu.com/img/logo.gif"; 
  74.          *          string s = o.GetFileExtends(url); 
  75.          *          Response.Write(s); 
  76.          *          o.Dispose(); 
  77.          * ********************************/ 
  78.         /// <summary> 
  79.         /// 取得文件后缀 
  80.         /// </summary> 
  81.         /// <param name="filename">文件名称</param> 
  82.         /// <returns></returns> 
  83.         public string GetFileExtends(string filename) 
  84.         { 
  85.             string ext = null
  86.             if (filename.IndexOf('.') > 0) 
  87.             { 
  88.                 string[] fs = filename.Split('.'); 
  89.                 ext = fs[fs.Length - 1]; 
  90.             } 
  91.             return ext; 
  92.         } 
  93.         #endregion 
  94.         #region 获取远程文件源代码 
  95.         /********************************** 
  96.          * 函数名称:GetRemoteHtmlCode 
  97.          * 功能说明:获取远程文件源代码 
  98.          * 参    数:Url:远程url 
  99.          * 调用示例: 
  100.          *          GetRemoteObj o = new GetRemoteObj(); 
  101.          *          string url = @"http://www.baidu.com"; 
  102.          *          string s = o.GetRemoteHtmlCode(url); 
  103.          *          Response.Write(s); 
  104.          *          o.Dispose(); 
  105.          * ********************************/ 
  106.         /// <summary> 
  107.         /// 获取远程文件源代码 
  108.         /// </summary> 
  109.         /// <param name="url">远程url</param> 
  110.         /// <returns></returns> 
  111.         public string GetRemoteHtmlCode(string Url) 
  112.         {
  113.             string s = "";
  114.             try
  115.             {               
  116.                 MSXML2.XMLHTTP _xmlhttp = new MSXML2.XMLHTTPClass();
  117.                 _xmlhttp.open("GET", Url, falsenullnull);
  118.                 _xmlhttp.send("");
  119.                 if (_xmlhttp.readyState == 4)
  120.                 {
  121.                     s = System.Text.Encoding.Default.GetString((byte[])_xmlhttp.responseBody);
  122.                 }
  123.             }
  124.             catch (Exception ex)
  125.             {
  126.                 s = ex.Message+"指定的地址不存在或地址错误";
  127.             }
  128.             return s; 
  129.         } 
  130.         #endregion 
  131.         #region 保存远程文件 
  132.         /********************************** 
  133.          * 函数名称:RemoteSave 
  134.          * 功能说明:保存远程文件 
  135.          * 参    数:Url:远程url;Path:保存到的路径 
  136.          * 调用示例: 
  137.          *          GetRemoteObj o = new GetRemoteObj(); 
  138.          *          string s = ""; 
  139.          *          string url = @"http://www.baidu.com/img/logo.gif"; 
  140.          *          string path =Server.MapPath("Html/"); 
  141.          *          s = o.RemoteSave(url,path); 
  142.          *          Response.Write(s); 
  143.          *          o.Dispose();          
  144.          * ******************************/ 
  145.         /// <summary> 
  146.         /// 保存远程文件 
  147.         /// </summary> 
  148.         /// <param name="Url">远程url</param> 
  149.         /// <param name="Path">保存到的路径</param> 
  150.         /// <returns></returns> 
  151.         public string RemoteSave(string Url, string Path) 
  152.         { 
  153.             Random ra = new Random(); 
  154.             string StringFileName = DateRndName(ra) + "." + GetFileExtends(Url); 
  155.             string StringFilePath = Path + StringFileName; 
  156.             MSXML2.XMLHTTP _xmlhttp = new MSXML2.XMLHTTPClass(); 
  157.             _xmlhttp.open("GET", Url, falsenullnull); 
  158.             _xmlhttp.send(""); 
  159.             if (_xmlhttp.readyState == 4) 
  160.             { 
  161.                 if (System.IO.File.Exists(StringFilePath)) 
  162.                     System.IO.File.Delete(StringFilePath); 
  163.                 System.IO.FileStream fs = new System.IO.FileStream(StringFilePath, System.IO.FileMode.CreateNew); 
  164.                 System.IO.BinaryWriter w = new System.IO.BinaryWriter(fs); 
  165.                 w.Write((byte[])_xmlhttp.responseBody); 
  166.                 w.Close(); 
  167.                 fs.Close(); 
  168.             } 
  169.             else 
  170.                 throw new Exception(_xmlhttp.statusText); 
  171.             return StringFileName; 
  172.         } 
  173.         #endregion 
  174.   #region 替换网页中的换行和引号 
  175.         /********************************** 
  176.          * 函数名称:ReplaceEnter 
  177.          * 功能说明:替换网页中的换行和引号 
  178.          * 参    数:HtmlCode:html源代码 
  179.          * 调用示例: 
  180.          *          GetRemoteObj o = new GetRemoteObj(); 
  181.          *          string Url = @"http://www.baidu.com"; 
  182.          *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 
  183.          *          string s = o.ReplaceEnter(HtmlCode); 
  184.          *          Response.Write(s); 
  185.          *          o.Dispose(); 
  186.          * ********************************/ 
  187.         /// <summary> 
  188.         /// 替换网页中的换行和引号 
  189.         /// </summary> 
  190.         /// <param name="HtmlCode">HTML源代码</param> 
  191.         /// <returns></returns> 
  192.         public string ReplaceEnter(string HtmlCode) 
  193.         { 
  194.             string s = ""
  195.             if (HtmlCode == null || HtmlCode == ""
  196.                 s = ""
  197.             else 
  198.                 s = HtmlCode.Replace("/""""); 
  199.             s = s.Replace("/r/n"""); 
  200.             return s; 
  201.         } 
  202.         #endregion 
  203.         #region 执行正则提取出值 
  204.         /********************************** 
  205.          * 函数名称:GetRegValue 
  206.          * 功能说明:执行正则提取出值 
  207.          * 参    数:HtmlCode:html源代码 
  208.          * 调用示例: 
  209.          *          GetRemoteObj o = new GetRemoteObj(); 
  210.          *          string Url = @"http://www.baidu.com"; 
  211.          *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 
  212.          *          string s = o.ReplaceEnter(HtmlCode); 
  213.          *          string Reg="<title>.+?</title>"; 
  214.          *          string GetValue=o.GetRegValue(Reg,HtmlCode) 
  215.          *          Response.Write(GetValue); 
  216.          *          o.Dispose(); 
  217.          * ********************************/ 
  218.         /// <summary> 
  219.         /// 执行正则提取出值 
  220.         /// </summary> 
  221.         /// <param name="RegexString">正则表达式</param> 
  222.         /// <param name="RemoteStr">HtmlCode源代码</param> 
  223.         /// <returns></returns> 
  224.         public string GetRegValue(string RegexString, string RemoteStr) 
  225.         { 
  226.             string MatchVale = ""
  227.             Regex r = new Regex(RegexString); 
  228.             Match m = r.Match(RemoteStr); 
  229.             if (m.Success) 
  230.             { 
  231.                 MatchVale = m.Value; 
  232.             } 
  233.             return MatchVale; 
  234.         } 
  235.         #endregion 
  236.         #region 替换HTML源代码 
  237.         /********************************** 
  238.          * 函数名称:RemoveHTML 
  239.          * 功能说明:替换HTML源代码 
  240.          * 参    数:HtmlCode:html源代码 
  241.          * 调用示例: 
  242.          *          GetRemoteObj o = new GetRemoteObj(); 
  243.          *          string Url = @"http://www.baidu.com"; 
  244.          *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 
  245.          *          string s = o.ReplaceEnter(HtmlCode); 
  246.          *          string Reg="<title>.+?</title>"; 
  247.          *          string GetValue=o.GetRegValue(Reg,HtmlCode) 
  248.          *          Response.Write(GetValue); 
  249.          *          o.Dispose(); 
  250.          * ********************************/ 
  251.         /// <summary> 
  252.         /// 替换HTML源代码 
  253.         /// </summary> 
  254.         /// <param name="HtmlCode">html源代码</param> 
  255.         /// <returns></returns> 
  256.         public string RemoveHTML(string HtmlCode) 
  257.         { 
  258.             string MatchVale = HtmlCode; 
  259.             foreach (Match s in Regex.Matches(HtmlCode, "<.+?>")) 
  260.             { 
  261.                 MatchVale = MatchVale.Replace(s.Value, ""); 
  262.             } 
  263.             return MatchVale; 
  264.         } 
  265.         #endregion 
  266.         #region 匹配页面的链接 
  267.         /********************************** 
  268.          * 函数名称:GetHref 
  269.          * 功能说明:匹配页面的链接 
  270.          * 参    数:HtmlCode:html源代码 
  271.          * 调用示例: 
  272.          *          GetRemoteObj o = new GetRemoteObj(); 
  273.          *          string Url = @"http://www.baidu.com"; 
  274.          *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 
  275.          *          string s = o.GetHref(HtmlCode); 
  276.          *          Response.Write(s); 
  277.          *          o.Dispose(); 
  278.          * ********************************/ 
  279.         /// <summary> 
  280.         /// 获取页面的链接正则 
  281.         /// </summary> 
  282.         /// <param name="HtmlCode"></param> 
  283.         /// <returns></returns> 
  284.         public string GetHref(string HtmlCode) 
  285.         { 
  286.             string MatchVale = ""
  287.             string Reg = @"(h|H)(r|R)(e|E)(f|F) *= *('|"")?((/w|//|//|/.|:|-|_)+)('|""| *|>)?"
  288.             foreach (Match m in Regex.Matches(HtmlCode, Reg)) 
  289.             { 
  290.                 MatchVale += (m.Value).ToLower().Replace("href=""").Trim() + "||"
  291.             } 
  292.             return MatchVale; 
  293.         } 
  294.         #endregion 
  295.         #region 匹配页面的图片地址 
  296.         /********************************** 
  297.          * 函数名称:GetImgSrc 
  298.          * 功能说明:匹配页面的图片地址 
  299.          * 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 
  300.          * 调用示例: 
  301.          *          GetRemoteObj o = new GetRemoteObj(); 
  302.          *          string Url = @"http://www.baidu.com"; 
  303.          *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 
  304.          *          string s = o.GetImgSrc(HtmlCode,"http://www.baidu.com/"); 
  305.          *          Response.Write(s); 
  306.          *          o.Dispose(); 
  307.          * ********************************/ 
  308.         /// <summary> 
  309.         /// 匹配页面的图片地址 
  310.         /// </summary> 
  311.         /// <param name="HtmlCode"></param> 
  312.         /// <param name="imgHttp">要补充的http://路径信息</param> 
  313.         /// <returns></returns> 
  314.         public string GetImgSrc(string HtmlCode, string imgHttp) 
  315.         { 
  316.             string MatchVale = ""
  317.             string Reg = @"<img.+?>"
  318.             foreach (Match m in Regex.Matches(HtmlCode, Reg)) 
  319.             { 
  320.                 MatchVale += GetImg((m.Value).ToLower().Trim(), imgHttp) + "||"
  321.             } 
  322.             return MatchVale; 
  323.         } 
  324.         /// <summary> 
  325.         /// 匹配<img src="" />中的图片路径实际链接 
  326.         /// </summary> 
  327.         /// <param name="ImgString"><img src="" />字符串</param> 
  328.         /// <returns></returns> 
  329.         public string GetImg(string ImgString, string imgHttp) 
  330.         { 
  331.             string MatchVale = ""
  332.             string Reg = @"src=.+/.(bmp|jpg|gif|png|)"
  333.             foreach (Match m in Regex.Matches(ImgString.ToLower(), Reg)) 
  334.             { 
  335.                 MatchVale += (m.Value).ToLower().Trim().Replace("src="""); 
  336.             } 
  337.             return (imgHttp + MatchVale); 
  338.         } 
  339.         #endregion 
  340.         #region 替换通过正则获取字符串所带的正则首尾匹配字符串 
  341.         /********************************** 
  342.          * 函数名称:GetHref 
  343.          * 功能说明:匹配页面的链接 
  344.          * 参    数:HtmlCode:html源代码 
  345.          * 调用示例: 
  346.          *          GetRemoteObj o = new GetRemoteObj(); 
  347.          *          string Url = @"http://www.baidu.com"; 
  348.          *          strion HtmlCode = o.GetRemoteHtmlCode(Url); 
  349.          *          string s = o.RegReplace(HtmlCode,"<title>","</title>"); 
  350.          *          Response.Write(s); 
  351.          *          o.Dispose(); 
  352.          * ********************************/ 
  353.         /// <summary> 
  354.         /// 替换通过正则获取字符串所带的正则首尾匹配字符串 
  355.         /// </summary> 
  356.         /// <param name="RegValue">要替换的值</param> 
  357.         /// <param name="regStart">正则匹配的首字符串</param> 
  358.         /// <param name="regEnd">正则匹配的尾字符串</param> 
  359.         /// <returns></returns> 
  360.         public string RegReplace(string RegValue, string regStart, string regEnd) 
  361.         { 
  362.             string s = RegValue; 
  363.             if (RegValue != "" && RegValue != null
  364.             { 
  365.                 if (regStart != "" && regStart != null
  366.                 { 
  367.                     s = s.Replace(regStart, ""); 
  368.                 } 
  369.                 if (regEnd != "" && regEnd != null
  370.                 { 
  371.                     s = s.Replace(regEnd, ""); 
  372.                 } 
  373.             } 
  374.             return s; 
  375.         }
  376.         /********************************** 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
  377.         * 函数名称:SniffwebCode 
  378.         * 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
  379.         * 参    数:HTML源代码 ,开始标记,结束标记
  380.         * 调用示例: 
  381.         *string url = @"http://sohe.inhe.net/Search/SearchingGuild.aspx"; 
  382.         *string s = o.GetRemoteHtmlCode(url);//获得网站源码
  383.         *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
  384.         * ********************************/
  385.         /// <summary>
  386.         /// 获得HTML代码开始标记和结束标记中间的数据
  387.         /// </summary>
  388.         /// <param name="code">HTML代码</param>
  389.         /// <param name="wordsBegin">开始标记</param>
  390.         /// <param name="wordsEnd">结束标记</param>
  391.         /// <returns></returns>
  392.         public string SniffwebCode(string code, string wordsBegin, string wordsEnd)
  393.         {
  394.             string NewsTitle = "";
  395.             Regex regex1 = new Regex("" + wordsBegin + @"(?<title>[/s/S]+?)" + wordsEnd + "", RegexOptions.Compiled | RegexOptions.IgnoreCase);
  396.             for (Match match1 = regex1.Match(code); match1.Success; match1 = match1.NextMatch())
  397.             {
  398.                 NewsTitle = match1.Groups["title"].ToString();
  399.             }
  400.             return NewsTitle;
  401.         }
  402.         /*** 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
  403.         *  string url = @"http://sohe.inhe.net/Search/SearchingGuild.aspx"; 
  404.         *  string HtmlAllCode = o.GetRemoteHtmlCode(url);//获得网站所有源码
  405.         *  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
  406.         *  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
  407.         *  foreach(DataRow row in table.Rows)//循环表输出标题和连接
  408.         *  {
  409.         *    Response.Write(row["title"]+"<br>");
  410.         *    Response.Write(row["url"] + "<br>");
  411.         *  }
  412.         */
  413.         /// <summary>
  414.         /// 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
  415.         /// </summary>
  416.         /// <param name="HtmlCode">需要匹配出超级连接的HTML代码</param>
  417.         /// <returns></returns>
  418.         public DataTable GetCodeHref(string HtmlCode)
  419.         {
  420.             //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
  421.             string regex = @"/<a.*href/s*=/s*(?:""(?<url>[^""]*)""|'(?<url>[^']*)'|(?<url>[^/>^/s]+)).*/>(?<title>[^/<^/>]*)/<[^/</a/>]*/a/>";
  422.             Regex reg1 = new Regex(regex, RegexOptions.IgnoreCase);//创建正则表达式对象
  423.             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
  424.             DataTable table = new DataTable();//创建存储标题和连接的内存表
  425.             table.Columns.Add("title");//标题文字列
  426.             table.Columns.Add("url");//连接字符串
  427.             foreach (Match m1 in ms1)//迭代集合获得每个匹配项
  428.             {
  429.                 DataRow row = table.NewRow();//创建一行
  430.                 row["title"] = m1.Groups["title"].Value.ToString();
  431.                 row["url"] = m1.Groups["url"].Value.ToString();
  432.                 table.Rows.Add(row);//添加入行集合
  433.             }
  434.             return table;
  435.         }
  436.         #endregion 
  437. }

 


 

你可能感兴趣的:(html,正则表达式,null,url,asp.net,regex)