04
2013
05

C#中进行数据采集需要的方法类

/// <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
}

Tags: C#  数据采集  方法类  
发布:郑德才博客 | 分类:博文调用 | 评论:0 | 浏览:
« 上一篇下一篇 »

相关文章:

C#、Asp.Net 对比两个实体信息前后是否有所改变（结构相同和不相同）  (2016-9-2 20:24:29)

C#、Asp.Net 将一个实体对象转换为另一个实体对象（结构可以不一样）  (2016-9-2 19:14:5)

【C#、Asp.Net 工具类大全】图片通用操作类  (2015-12-23 13:27:30)

【C#、Asp.Net 工具类大全】Request请求工具类  (2015-12-23 13:15:56)

【C#、Asp.Net 工具类大全】弹出提示操作类  (2015-12-23 13:6:1)

【C#、Asp.Net 工具类大全】正则匹配工具类  (2015-7-26 9:36:56)

【C#、Asp.Net 工具类大全】Js常用操作类  (2015-7-15 14:23:33)

【C#、Asp.Net 工具类大全】Html常用帮助类  (2015-7-11 23:42:53)

C#字符串编码帮助类  (2015-7-11 23:39:38)

【C#、Asp.Net 工具类大全】压缩文本、字节或者文件的压缩辅助类  (2015-7-11 23:23:49)

发表评论:

◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。