zoukankan
html css js c++ java
提取网页中的链接并生成xml
using System; using System.Xml; using System.Text; using System.Net; using System.IO; using System.Collections; using System.Text.RegularExpressions; public class App { public static void Main() { string strCode; ArrayList alLinks; Console.Write("请输入一个网页地址:"); string strURL = Console.ReadLine(); if (strURL.Substring(0, 7) != @"http://") { strURL = @"http://" + strURL; } Console.WriteLine("正在获取页面代码,请稍侯..."); strCode = GetPageSource(strURL); Console.WriteLine("正在提取超链接,请稍侯..."); alLinks = GetHyperLinks(strCode); Console.WriteLine("正在写入文件,请稍侯..."); WriteToXml(strURL, alLinks); } // 获取指定网页的HTML代码 static string GetPageSource(string URL) { Uri uri = new Uri(URL); HttpWebRequest hwReq = (HttpWebRequest)WebRequest.Create(uri); HttpWebResponse hwRes = (HttpWebResponse)hwReq.GetResponse(); hwReq.Method = "Get"; hwReq.KeepAlive = false; StreamReader reader = new StreamReader(hwRes.GetResponseStream(), System.Text.Encoding.GetEncoding("GB2312")); return reader.ReadToEnd(); } // 提取HTML代码中的网址 static ArrayList GetHyperLinks(string htmlCode) { ArrayList al = new ArrayList(); string strRegex = @"http://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?"; Regex r = new Regex(strRegex, RegexOptions.IgnoreCase); MatchCollection m = r.Matches(htmlCode); for (int i = 0; i <= m.Count - 1; i++) { bool rep = false; string strNew = m[i].ToString(); // 过滤重复的URL foreach (string str in al) { if (strNew == str) { rep = true; break; } } if (!rep) al.Add(strNew); } al.Sort(); return al; } // 把网址写入xml文件 static void WriteToXml(string strURL, ArrayList alHyperLinks) { XmlTextWriter writer = new XmlTextWriter("HyperLinks.xml", Encoding.UTF8); writer.Formatting = Formatting.Indented; writer.WriteStartDocument(false); writer.WriteDocType("HyperLinks", null, "urls.dtd", null); writer.WriteComment("提取自" + strURL + "的超链接"); writer.WriteStartElement("HyperLinks"); writer.WriteStartElement("HyperLinks", null); writer.WriteAttributeString("DateTime", DateTime.Now.ToString()); foreach (string str in alHyperLinks) { string title = GetDomain(str); string body = str; writer.WriteElementString(title, null, body); } writer.WriteEndElement(); writer.WriteEndElement(); writer.Flush(); writer.Close(); } // 获取网址的域名后缀 static string GetDomain(string strURL) { string retVal; string strRegex = @"(\.com/|\.net/|\.cn/|\.org/|\.gov/)"; Regex r = new Regex(strRegex, RegexOptions.IgnoreCase); Match m = r.Match(strURL); retVal = m.ToString(); strRegex = @"\.|/{1}quot;; retVal = Regex.Replace(retVal, strRegex, "").ToString(); if (retVal == "") retVal = "other"; return retVal; } }
查看全文
相关阅读:
【60.97%】【BZOJ 1925】 [Sdoi2010]地精部落
【14.06%】【hdu 5904】LCIS
【50.40%】【BZOJ 4553】[Tjoi2016&Heoi2016]序列
【52.55%】【BZOJ 4520】K远点对
洛谷——P2446 [SDOI2010]大陆争霸
Python模块之re
Docker从入门到实战
分析增加站点权重的四大切入点(转载)
远程桌面连接不上|windows server 2003 sp2 termdd.sys(转载)
不同服务器数据库之间的数据操作(转载)
原文地址:https://www.cnblogs.com/zhangqs008/p/2341121.html
最新文章
2018-8-10-git-使用-VisualStudio-比较分支更改
2018-8-10-git-使用-VisualStudio-比较分支更改
2019-8-31-PowerShell-通过-WMI-获取系统信息
2019-8-31-PowerShell-通过-WMI-获取系统信息
2019-8-31-dotnet-将文件删除到回收站
Visual Basic项目开发全程实录(第3版)
YARN Container的NUMA感知支持
YARN的约束化标签支持
YARN的约束化标签支持
YARN基于IO资源的隔离调度
热门文章
YARN基于IO资源的隔离调度
Yarn支持队列内多优先级应用调度
Yarn支持队列内多优先级应用调度
C#经典实例(第4版)
基于Hadoop YARN之上的PaaS构想
基于Hadoop YARN之上的PaaS构想
YARN队列优先级分配策略
YARN队列优先级分配策略
流处理系统中的“Exactly Once”语义保证
【54.38%】【BZOJ 4300】绝世好题
Copyright © 2011-2022 走看看