[转]用asp.net实现远程获取其他网站页面指定内容

最近需要做这个任务，特意来学习下，转发来源链接：http://www.cnblogs.com/12go/archive/2011/12/14/2287667.html#commentform

 

远程获取网页内容.经过一定的处理和灵活应用,可以开发成成体系网站内容采集系统.通常也叫做"新闻小偷"一般来说.做内容采集分为如下几个大致的步骤:
　　1.远程获取页面的全部Html源文本.
　　2.通过过滤处理,分析有效内容文本.(通常用正则表达式来截取有效数据)
　　3.将格式有效的数据,根据自己的数据库结构分标题,内容....一些其他属性保存到自己的本地数据库.
　　ok整个采集过程如此简单.原理也不难.下面我们看看实现的具体基础代码!
　　首先我们来写一个获取远程Html源的方法.
　　public string GetHttpData(string Url)
　　 {
　　 string sException=null;
　　 string sRslt=null;
　　 WebResponse oWebRps=null;
　　 WebRequest oWebRqst=WebRequest.Create(Url);
　　 oWebRqst.Timeout=50000;
　　 try
　　 {
　　 oWebRps=oWebRqst.GetResponse();
　　 }
　　 catch(WebException e)
　　 {
　　 sException=e.Message.ToString();
　　 Response.Write(sException);
　　 }
　　 catch(Exception e)
　　 {
　　 sException=e.ToString();
　　 Response.Write(sException);
　　 }
　　 finally
　　 {
　　 if(oWebRps!=null)
　　 {
　　 StreamReader oStreamRd=new StreamReader(oWebRps.GetResponseStream(),Encoding.GetEncoding("GB2312"));
　　 sRslt=oStreamRd.ReadToEnd();
　　 oStreamRd.Close();
　　 oWebRps.Close();
　　 }
　　 }
　　 return sRslt;
　　 }
　　以上代码为获取远程Html源的一个方法.参数仅一个.就是你要获取的目标页面的完整Url路径.返回一个string类型的Html源数据.
　　下面我们再来继续第二个步骤.分析自己需要的有效数据!这里我假设某个页面来做分析...
　　public string [] GetData(string Html)
　　{
　　String [ ] rS=new String[2];
　　string s = Html;
　　 s=Regex.Replace(s,"s{3,}","");
　　 s=s.Replace(" ","");
　　 s=s.Replace(" ","");
　　 string Pat="<td align="center" class="24p"><B>(.*)</B></td></tr><tr>.*(<table width="95%" border="0" cellspacing="0" cellpadding="10">.*</table>)<table width="98%" border="0" cellspacing="0" cellpadding="0">(.*)<td align=center class="l6h">";
　　 Regex Re = new Regex(Pat);
　　 Match Ma= Re.Match(s);
　　 if(Ma.Success)
　　 {
　　 rS[0]=Ma.Groups[1].ToString();
　　 rS[1]=Ma.Groups[2].ToString();
　　 pgStr=Ma.Groups[3].ToString();
　　 }
　　return rS;
　　}
　　这个方法也很简单.主要功能及时截取获取过来的Html源.取得自己需要的数据...
　　参数是一个string类型的.将我们获取的html源通过参数传递过来.
　　在方法类通过一个正则的模式匹配找到标题和内容的位置并取出来.存入一个string的数组给方法返回...以后的事我就不多说了..你只要把你取出来的数据存到你数据库对应的字段就ok了!