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:
javascript判断页面第一次加载还是刷新操作【转】
vs 2008 不能切换到设计视图的解决办法
sql update 触发器 获得被update的行的信息
方便winform中的数据验证,制作一个使用正则表达式验证数据的复合控件
求一个n选x的算法
在html链接里执行js和使用标签事件执行的不同
咸吃萝卜淡操心:导入xlsx文件表格新增数据
我亲爱的你,有两副面孔:表格末尾添加新内容
Torture:跨域访问的功臣:window.name
那么轻,那么重:图片下载与压缩包下载
原文地址:https://www.cnblogs.com/zhangqs008/p/2341121.html
最新文章
08年为何报土木工程?
自己如何买书
终于找到合适的blog编辑器了
平时上网经常上的网站
office(Excel word PPT)各功能的消息号不完全枚举(PostMessage用)
vim 简易模块化配置思路
给 AutoHotkey 添加通用的批量输入 Gui(代替inputbox)
用 AutoHotkey 一键将 PPT 另存为图片(自定义尺寸)
AutoHotkey和RPA的区别之个人理解
将现有Xcode工程加入local git
热门文章
解决点击cell后,subview也跟着高亮的问题
用UIWebView显示https的方法
动态调整label和cell的高度
javascript IPhone滑动解锁
[转载]Web前端研发工程师编程能力飞升之路
CSS多行文本垂直居中【转】
[转载]发些javascript基础知识,便于大家学习,也便于我自己查看
php基础入门(一)环境搭建与配置
window.open不被拦截
php基础入门(二)sina微博接口报错处理
Copyright © 2011-2022 走看看