<@Aattention Content='本Blog原创文章,转载或引用请注明转载' From='Robby.cnblogs.com'@>
由于自己的搜索引擎中做到了这一块内容,所以今天说说如何抓取网页数据、分析并且去除Html标签,给大家提供一个参考。我的平台是Visual Studio2005,C#。
—————————————————————割—————————————————————————
首先将网页内容整个抓取下来,这个我就不说了,不是本次话题的重点。假设抓取的数据放在RecvBuffer这个byte[]中(数据从网络上传输过来时不是字符串的形式而是byte),那么我们的第一步就是将RecvBuffer转化为String,以便于对其操作,实例如下:
得到了数据的字符串形式,然后可以对网页进行解析了(其实就是对字符串的各种操作和正则表达式的应用)。下面我以几个例子来说明对网页数据的解析:
当然,这里只能识别一些基本的链接形式,像script中的链接和一些不带“”的链接都没有被支持,这个的扩展还是蛮简单的。
再举几个更简单点的解析的例子,大家学习学习:
—————————————————————割—————————————————————————
好了,下面说一下如何去除Html标签,这个想必有很多初学者很需要。其实还是正则表达式和字符串基本操作的应用,由于这个功能还是比较常用的,所以例子写成了函数,便于调用:
转自:由于自己的搜索引擎中做到了这一块内容,所以今天说说如何抓取网页数据、分析并且去除Html标签,给大家提供一个参考。我的平台是Visual Studio2005,C#。
—————————————————————割—————————————————————————
首先将网页内容整个抓取下来,这个我就不说了,不是本次话题的重点。假设抓取的数据放在RecvBuffer这个byte[]中(数据从网络上传输过来时不是字符串的形式而是byte),那么我们的第一步就是将RecvBuffer转化为String,以便于对其操作,实例如下:
// 将接收到的数据增加到响应字符串中
strResponse += Encoding.ASCII.GetStringRecvBuffer, 0, nBytes;
strResponse即是保存数据的字符串,此处用系统自带的System.Text.Encoding的方法转化 RecvBuffer,GetString的第一个参数RecvBuffer就是我们的原始数据,即包含需要解码的字节序列的字节数组;第二个参数0代表 第一个要解码的字节的索引,一般就从0开始;第三个参数nBytes为要解码的字节数,可以自己调整。strResponse += Encoding.ASCII.GetStringRecvBuffer, 0, nBytes;
得到了数据的字符串形式,然后可以对网页进行解析了(其实就是对字符串的各种操作和正则表达式的应用)。下面我以几个例子来说明对网页数据的解析:
// 解析页面,查找链接
// 此处尚需扩展,还有某些形式的链接不被识别
string strRef = @'href|HREF|src|SRC|action|ACTION|Action[ ]*=[ ]*[''']['''#>]+[''']';
MatchCollection matches = new RegexstrRef.MatchesstrResponse;
strStatus += '找到: '+matches.Count+' 个链接rn';
上面的例子将网页中的链接解析出来,strRef变量表示了正则表达式的模式,变量matches表示符合匹配的项目的集合,后面的 RegexstrRef.MatchesstrResponse就是创建正则规则使得strResponse里符合strRef模式的字符串都返回。然后 调用matches的变量就可以取得各种信息了。// 此处尚需扩展,还有某些形式的链接不被识别
string strRef = @'href|HREF|src|SRC|action|ACTION|Action[ ]*=[ ]*[''']['''#>]+[''']';
MatchCollection matches = new RegexstrRef.MatchesstrResponse;
strStatus += '找到: '+matches.Count+' 个链接rn';
当然,这里只能识别一些基本的链接形式,像script中的链接和一些不带“”的链接都没有被支持,这个的扩展还是蛮简单的。
再举几个更简单点的解析的例子,大家学习学习:
//获取标题
Match TitleMatch = Regex.MatchstrResponse, '<title>[<]*</title>', RegexOptions.IgnoreCase | RegexOptions.Multiline;
title = TitleMatch.Groups[1].Value;
//获取描述信息
Match Desc = Regex.MatchstrResponse, '<Meta name='DESCRIPTION' content='[<]*'>', RegexOptions.IgnoreCase | RegexOptions.Multiline;
strdesc = Desc.Groups[1].Value;
//获取网页的大小
size = strResponse.Length;
Match TitleMatch = Regex.MatchstrResponse, '<title>[<]*</title>', RegexOptions.IgnoreCase | RegexOptions.Multiline;
title = TitleMatch.Groups[1].Value;
//获取描述信息
Match Desc = Regex.MatchstrResponse, '<Meta name='DESCRIPTION' content='[<]*'>', RegexOptions.IgnoreCase | RegexOptions.Multiline;
strdesc = Desc.Groups[1].Value;
//获取网页的大小
size = strResponse.Length;
—————————————————————割—————————————————————————
好了,下面说一下如何去除Html标签,这个想必有很多初学者很需要。其实还是正则表达式和字符串基本操作的应用,由于这个功能还是比较常用的,所以例子写成了函数,便于调用:
/// <summary>
/// 将Html标签转化为空格
/// </summary>
/// <param name='strHtml'>待转化的字符串</param>
/// <returns>经过转化的字符串</returns>
private string stripHtmlstring strHtml
{
Regex objRegExp = new Regex'<.|n+?>';
string strOutput = objRegExp.ReplacestrHtml, '';
strOutput = strOutput.Replace'<', '<';
strOutput = strOutput.Replace'>', '>';
return strOutput;
}
ok,这样一来Html标签就基本没了,但是有些例外会使得去除不干净,所以建议连续两次转化,这样就搞定了。但是还没结束,如果你留意的话,可以看到上 面的函数其实是将Html标签转化为了空格。太多连续的空格会影响之后对字符串的操作。所以再加入这样的语句:/// 将Html标签转化为空格
/// </summary>
/// <param name='strHtml'>待转化的字符串</param>
/// <returns>经过转化的字符串</returns>
private string stripHtmlstring strHtml
{
Regex objRegExp = new Regex'<.|n+?>';
string strOutput = objRegExp.ReplacestrHtml, '';
strOutput = strOutput.Replace'<', '<';
strOutput = strOutput.Replace'>', '>';
return strOutput;
}
//把所有空格变为一个空格
Regex r = new Regex@'s+';
wordsOnly = r.ReplacestrResponse, ' ';
wordsOnly.Trim;
Regex r = new Regex@'s+';
wordsOnly = r.ReplacestrResponse, ' ';
wordsOnly.Trim;
http://hi.baidu.com/zzcc_8/blog/item/d600befb7cc7df1f6d22ebd1.html