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:
Introduction to Oracle9i: SQL left join 和 left outer join 的区别
ORACLE10G RMAN 命令
Oracle管理与维护.手工创建数据库以及脚本
RMAN 备份基本用法
ASM 常用概念解释
oracle学习笔记之二:数据类型之DATETIME 收藏
10g中表监控与statistics_level
Oracle 学习笔记: RMAN常用命令
Oracle 进程类别
ORACLE TRUNC()函数
原文地址:https://www.cnblogs.com/zhangqs008/p/2341121.html
最新文章
Win32 API
解决.NET 4.0下无法直接运行.NET 2.0程序的问题
Android开发之Java集合类性能分析
NSIS 打包(二)InetLoad::load下载文件
C# Win32API 模拟鼠标移动及点击事件
C# 正则移除所有的Html标记
在 MouseDown 事件中区分单击和双击
从Outlook拖拽附件到WinForm
WinForm 窗体美化
排序算法[转]
热门文章
数字转换成大写金额(C#实现)
磁盘阵列
数据库集群
几种查找方法比较
负载均衡技术应用介绍
NDoc修改版,支持中文注释及中文界面。
ICSharpCode.TextEditor的问题。
发现DevExpress.XtraBars.Docking.DockPanel控件的致命bug
简体中文Microsoft Visual Studio 2005 Team Edition(含简体中文MSDN Library for Visual Studio 2005)下载地址
关于sql 2005 express 远程访问和sa密码的问题(转帖)
Copyright © 2011-2022 走看看