asp.net 动态抓取网站数据（方法二）

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