一键构造你的博客园目录

最近看了一下吴军的数学之美。书很好，废话我就不多少了。看了第9章图论和网络爬虫，一直都觉得网络爬虫很牛B，搜索引擎不就是用爬虫爬网页的吗，于是想写一个简单的爬虫来爬网页试试，最先想到的就是给自己的博客建一个目录，够小够简单了吧，于是就有了这篇文章，简单的分享一下，先申明我的实现很简单没有技术含量，在看下文之前可以先看看 我的博客目录。              源码必共享

简单介绍一下网络爬虫的原理：给你一个网页地址，先把这个网页下载下来，然后分析这个网页的内容，得到这个网页中的所有链接，然后下载这些网页，继续分析下载。这样就能下载互联网上的很多网页。原理就这么简单，实现起来就不那么容易了。由于深入不了只能说简单的。

构造我的博客目录思路简单分析。获得你的所有文章的地址及标题，然后将这些文章分类。你的文章其实是已经分类好了的，只用得到你的文章的所有分类，然后根据分类得到所有分类下的文章，就可以得到你所有的文章及其分类，构造你的博客目录就容易了。

被否定了的思路一：随便拿到我的一篇文章的地址，下载这篇文章，然后分析这个地址，得到这篇文章里面的所有链接，按照一定的规则得到我的文章地址，即排除无用的连接，然后以爬虫的思路得到我的所有文章，由于每篇文章都有它的分类，所以很快就能构造我的博客目录了。然而由于博客园的实现不是我想的那样，在下载一篇文章的时候，没有下面的内容，因为下面的内容就像一个双向链表一样将我的所有文章连接起来了，我只要知道一篇文章的地址，通过这个”双向链表“我就能得到我的所有文章了，可就是下载网页里偏偏没有下面的内容，于是这个最接近爬虫的方法被PASS掉了。 

被否定了的思路二。每个人的文章都是分页显示的，我就可以下载这些内容，然后就可以得到我的所有文章，可还是有个问题，跟上面一样的原因，妹的，下载的网页中没有文章的分类，得到了所有的文章，却不知道文章的分类，叫我怎么构造目录啊。于是又被PASS掉了。

要构造我的博客目录，这么简单的需求方法当然是很多的了，于是用了个不太想爬虫的方法。就是上面所说的，得到所有文章的分类，下载每个分类下的文章，构造博客目录。获得我的博客分类的方法很简单，如获取我的文章分类方法如下：

请求这个地址：http://www.cnblogs.com/hlxs/mvc/blog/sidecolumn.aspx

传入参数blogApp=hlxs;(hlxs是我在博客园的ID)

这样就得到了我文章的所有分类，然后按照分类得到分类下的所有文章，在构造博客目录就简单了。在这个过程中只要知道某人在博客园的ID就能构造它的博客目录，我说一键构造你的博客目录不为过吧。

如果你也想构造你的博客目录，可以先看看我的博客目录，构造你的博客目录很简单，运行程序，输入你的博客园ID，会自动生成一个”我的博客目录.txt”，将文件的内容以源码的方式发表就行。

出处：https://www.cnblogs.com/hlxs/archive/2013/02/20/2918760.html

=============================================================================================

由于博客园改版了，上面的比如获取随笔分类还是使用的老的url，现在已经无法访问到这个页面了，我们通过查看源码，不难发现类似如下的代码：

<div id="blog-sidecolumn"></div>
                    <script>loadBlogSideColumn();</script>
</div>

只需要在chrome中跟踪一把，看看他访问的是那个路径获取数据的，看来现在换成ajax获取的方式了，如下

 https://www.cnblogs.com/hlxs/ajax/sidecolumn.aspx

试试上面的路径，看看能否获取到分类列表呢？

还有就是现在的文章目录是放到用户的url下的p目录，例如

https://www.cnblogs.com/hlxs/p/

看看能否访问到随笔列表呢？

还有代码里面的正则，我稍微修改了一下加了换行的匹配，如下：

string regex = @"<a(?:(?!href=).)*href=(['""]?)(?<url>[^""s>]*)1[^>]*>(?<text>(?:(?!</?a).)*)</a>";
regex = @"<a(?:(?!href=).)*href=(['""]?)(?<url>[^""s>]*)1[^>]*>([.
]?)(?<text>(?:(?!</?a).)*)([.
]?)</a>"; 
Regex rx = new Regex(regex);
return rx.Matches(content);

完整代码：

using System;
using System.Collections.Generic;
using System.Text;
using System.IO;
using System.Net;
using System.Text.RegularExpressions;
using System.Linq;
using Utils;
using System.Threading;

namespace Reptile
{
    class Program
    {
        static Dictionary<string, List<DataItem>> archiveList = new Dictionary<string, List<DataItem>>();//文章列表
        static List<DataItem> categoryList = new List<DataItem>();//分类列表
        static string userId = "hlxs";//用户ID，根据这个ID获取这个人的博客目录
        const string archive = "p";
        const string category = "category";

        private static Stream GetStream(int timeout, string url, string param)
        {
            try
            {
                //if (!url.StartsWith("http://", StringComparison.OrdinalIgnoreCase))
                //{
                //    url = "http://" + url;
                //}
                HttpWebRequest req = (HttpWebRequest)HttpWebRequest.Create(url);
                if (!string.IsNullOrEmpty(param))
                {
                    req.Method = "POST";
                    req.ContentType = "application/x-www-form-urlencoded";
                    byte[] bs = Encoding.ASCII.GetBytes(param);
                    req.ContentLength = bs.Length;
                    using (Stream reqStream = req.GetRequestStream())
                    {
                        reqStream.Write(bs, 0, bs.Length);
                    }
                }

                HttpWebResponse HttpWResp = (HttpWebResponse)req.GetResponse();
                return HttpWResp.GetResponseStream();
            }
            catch (Exception ex)
            {
                Console.WriteLine(ex.Message);
                return null;
            }
        }

        //获取页面的内容
        private static string GetContent(string url, string param)
        {
            using (Stream myStream = GetStream(24000, url, param))
            {
                if (myStream == null)
                {
                    return string.Empty;
                }
                using (StreamReader sr = new StreamReader(myStream, Encoding.UTF8))
                {
                    if (sr.Peek() > 0)
                    {
                        return sr.ReadToEnd();
                    }
                }
                return string.Empty;
            }
        }

        static MatchCollection Filter(string url, string param)
        {
            string content = GetContent(url, param);
            if (string.IsNullOrEmpty(content))
            {
                return null;
            }
            string regex = @"<a(?:(?!href=).)*href=(['""]?)(?<url>[^""s>]*)1[^>]*>(?<text>(?:(?!</?a).)*)</a>";
            regex = @"<a(?:(?!href=).)*href=(['""]?)(?<url>[^""s>]*)1[^>]*>([.
]?)(?<text>(?:(?!</?a).)*)([.
]?)</a>"; 

            Regex rx = new Regex(regex);
            return rx.Matches(content);
        }

        //获取文章
        static void GetArchive(string url, string param)
        {
            MatchCollection matchs = Filter(url, param);
            if (matchs == null)
            {
                return;
            }
            foreach (Match m in matchs)
            {
                string curUrl = m.Groups["url"].Value;
                if (curUrl.IndexOf(userId + "/" + archive) >= 0 && curUrl.IndexOf('#') < 0)
                {
                    DataItem item = new DataItem { Text = m.Groups["text"].Value, Value = curUrl };
                    if (!archiveList.ContainsKey(url))
                    {
                        archiveList.Add(url, new List<DataItem> { item });
                    }
                    else
                    {
                        if (archiveList[url].FirstOrDefault(archiveItem => archiveItem.Value == curUrl) == null)
                        {
                            archiveList[url].Add(item);
                        }
                    }
                }
            }
            DataItem curCategory = categoryList.FirstOrDefault(m => m.Value == url);
            if (curCategory != null)
            {
                Console.WriteLine("    " + curCategory.Text);
            }
        }

        //获取文章分类
        static bool GetCategory(string url, string param)
        {
            MatchCollection matchs = Filter(url, param);
            if (matchs == null)
            {
                return false;
            }
            Console.Clear();
            Console.WriteLine("已完成您的博客分类：");
            foreach (Match m in matchs)
            {
                if (m.Groups["url"].Value.IndexOf(userId + "/" + category) >= 0)
                {
                    categoryList.Add(new DataItem { Text = m.Groups["text"].Value.Trim(), Value = m.Groups["url"].Value });
                }
            }
            return categoryList.Count == 0 ? false : true;
        }

        static void Main(string[] args)
        {
            Console.WriteLine("请输入你的博客园ID后回车：");
            userId = Console.ReadLine();
            string url = "http://www.cnblogs.com/" + userId + "/mvc/blog/sidecolumn.aspx";//获取博客分类地址
            url = "http://www.cnblogs.com/" + userId + "/ajax/sidecolumn.aspx";
            string param = "blogApp=" + userId;//获取你的博客分类需要你的ID
            Console.WriteLine("正在连接服务器，请稍候...");
            bool isOK = GetCategory(url, param);//获取博客分类
            if (!isOK)
            {
                Console.Clear();
                Console.WriteLine("你输入的博客园ID不正确，系统将在10秒后爆炸，请注意安全!");
                Thread.Sleep(5000);
                for (int i = 5; i >= 1; i--)
                {
                    Thread.Sleep(1000);
                    Console.Clear();
                    Console.WriteLine(i);
                }
                Environment.Exit(0);
            }
            foreach (DataItem item in categoryList)
            {
                GetArchive(item.Value, string.Empty);//获取分类中的博客
            }
            Console.Clear();
            CreateDir();
            Console.ReadKey();

        }

        //生成博客目录
        static void CreateDir()
        {
            IOHelper.DeleteFile(Environment.CurrentDirectory + "/我的博客目录.txt");
            string divFormat = "<div style='100%;float:left;margin-top:20px;background-color:#999999;font-size:20px;color:White;padding-left:5px'>{0}</div>";
            string aFormat = "<a href='{0}' target='_blank' title='{1}'>{1}</a>";
            string liFormat = "<li style='49%;float:left;line-height:30px;'>{0}</li>";

            string[] catelist = { "算法", "智力题", "C++", "读书", "分析", "C#", "Windows" };//这些排在前面
            for (int i = catelist.Length - 1; i >= 0; i--)
            {
                DataItem item = categoryList.FirstOrDefault(m => m.Text.Contains(catelist[i]));
                if (item != null)
                {
                    categoryList.Remove(item);
                    categoryList.Insert(0, item);
                }
            }

            foreach (DataItem categoryItem in categoryList)
            {
                Console.WriteLine(categoryItem.Text);
                WriteLine(string.Format(divFormat, categoryItem.Text));
                List<DataItem> list;
                if (archiveList.TryGetValue(categoryItem.Value, out list))
                {
                    WriteLine("<ul style='padding-top:10px;clear:both;list-style:none;'>");
                    foreach (DataItem archiveItem in list)
                    {
                        Console.WriteLine("	" + archiveItem.Text);
                        WriteLine(string.Format(liFormat, string.Format(aFormat, archiveItem.Value, archiveItem.Text)));
                    }
                    WriteLine("</ul>");
                    Console.WriteLine();
                }
            }
            WriteLine("<div style='clear:both;'>");

            Console.WriteLine("

博客园生成Html代码已经完成，请查看 我的博客目录.txt
");
        }

        private static void WriteLine(string content)
        {
            IOHelper.WriteLine(Environment.CurrentDirectory + "/我的博客目录.txt", content);
        }
    }

    class DataItem
    {
        public string Text { get; set; }
        public string Value { get; set; }
    }
}