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


}