C#实现web信息自动抓取
C#实现web信息自动抓取
NetBug--爬虫 V1.02开发笔记
背景
随着Internet的普及，网络信息正以极高的速度增长，在这么多数据中找到自己需要的信息是一件很繁琐的事情，找到需要的信息后如何获取也是件麻烦的事。这就需要Internet信息抓取程序来代替人工的操作。
所谓Internet信息抓取程序，就是程序会按照用户的关键词或关键网站来收集相应的信息，并提供给用户想要的信息格式。
信息量的增加会带来信息网站发布人员工作量的剧增，为实现信息发布系统实现信息自
动发布、减少工作人员工作量、即时跟踪最新信息，就需要自动信息提供程序，因此Internet信息抓取程序应运而生。
目标
实现自定义网站信息分类抓取，存入本地数据库、生成静态页面或其它用户定义的信息结构，并下载与信息相关的多媒体文件。
开发
l 目标站点结构分析
本步骤是准确抓取信息个关键。
首先要选择更新频率高的页面做为抓取地址，然后分析要抓取内容页面url特点。
然后分析要抓取信息页面的元素特性，比如标题位置，内容位置 等，得到定位标记点。
将以上信息写成自己的配置文件或存到数据库中。
每个网站都需要分析，写出单独的配置文件，供抓取程序使用。
l 信息提取
根据配置文件取得要抓取页面url，使用HttpWebRequest类获取内容：
//获取http页面函数
public string Get_Http(string a_strUrl,int timeout)
{
string strResult ;
try
{
HttpWebRequest myReq = (HttpWebRequest)HttpWebRequest.Create(a_strUrl) ;
myReq.Timeout = timeout;
HttpWebResponse HttpWResp = (HttpWebResponse)myReq.GetResponse();
Stream myStream = HttpWResp.GetResponseStream () ;
StreamReader sr = new StreamReader(myStream , Encoding.Default);
StringBuilder strBuilder = new StringBuilder();
while (-1 != sr.Peek())
{
strBuilder.Append(sr.ReadLine()+"/r/n");
}
strResult = strBuilder.ToString();
}
catch(Exception exp)
{
strResult = "错误：" + exp.Message ;
}
return strResult ;
}
获取页面内容后，分析页面中连接地址取到要抓取的url：
//处理页面标题和链接
public string SniffWebUrl( string urlStr,string blockB,string blockE )
{
string urlch1 = "";
string urlch2 = "";
int end_n1 = 0;
int end_nums = 0;
int end_nums1 = 0;
int end_nums2 = 0;
int end_nums3 = 0;
string reUTStr = "";
string reTitle = "";
string ret = "";
try
{
int pos01 = urlStr.IndexOf( "." );
int pos02 = urlStr.LastIndexOf( "/" );
if( pos01 < 0 )
{
return "";
}
if( pos02 < 0 )
{
return "";
}
int pos03 = urlStr.IndexOf( "/",pos01 );
if ( pos03 < 0 )
{
urlch1 = urlStr;
urlch2 = urlStr;
}
else
{
urlch1 = urlStr.Substring( 0,pos03 );
urlch2 = urlStr.Substring( 0,pos02 );
}
string tmpAllStr = new PublicFun().Get_Http( urlStr ,time1);
int pos1 = tmpAllStr.IndexOf( blockB );
int pos2 = tmpAllStr.IndexOf( blockE,pos1 + blockB.Length );
if ( pos1>0 && pos2>0 && pos2>pos1 )
{
ret = tmpAllStr.Substring( pos1 + blockB.Length,pos2 - pos1 - blockB.Length );
ret = ret.Substring( ret.IndexOf( "<" ));
while( ret.IndexOf( "<A" ) >= 0 )
{
ret = ret.Substring( 0,ret.IndexOf( "<A" ) ) + "<a" + ret.Substring( ret.IndexOf( "<A" ) + 2 );
}
while( ret.IndexOf( "</A" ) >=0 )
{
ret = ret.Substring( 0,ret.IndexOf( "</A" ) ) + "</a" + ret.Substring( ret.IndexOf( "</A" ) + 3 );
}
while( ret.IndexOf( "Href=" ) >=0 )
{
ret = ret.Substring( 0,ret.IndexOf( "Href=" )) + "href=" + ret.Substring( ret.IndexOf( "Href=" ) + 5 );
}
while( ret.IndexOf( "HREF=" ) >=0 )
{
ret = ret.Substring( 0,ret.IndexOf( "HREF=" )) + "href=" + ret.Substring( ret.IndexOf( "HREF=" ) + 5 );
}
while( ret.IndexOf( "href='" ) >=0 )
{
ret = ret.Substring( 0,ret.IndexOf( "href='" )) + "href=/"" + ret.Substring( ret.IndexOf( "href='" ) + 6 );
}
}
tmpAllStr = ret;
int begin_nums = tmpAllStr.IndexOf( "href=" );
while ( begin_nums >= 0 )
{
string tmpStrA = "";
string tmpStrB = tmpAllStr.Substring( begin_nums + 5,1 );
if ( tmpStrB == "/"" )
{
end_n1 = begin_nums + 6;
if ( ( end_n1 + 1 ) > tmpAllStr.Length )
{
return "";
}
tmpStrA = tmpAllStr.Substring( begin_nums+6,1 );
}
else
{
end_n1 = begin_nums + 5;
tmpStrA = tmpStrB;
}
if ( tmpStrA == "#" )
{
tmpAllStr = tmpAllStr.Substring( end_n1 );
begin_nums = tmpAllStr.IndexOf( "href=" );
}
else
{
end_nums1 = tmpAllStr.IndexOf( " ",end_n1 );
end_nums2 = tmpAllStr.IndexOf( ">",end_n1 );
end_nums3 = tmpAllStr.IndexOf( "</a",end_nums2 );
if ( ( end_nums3 >= 0 ) && ( end_nums2 >= 0 ) )
{
reTitle = tmpAllStr.Substring( end_nums2 + 1,end_nums3 - end_nums2 - 1 );
if ( end_nums1 > end_nums2 )
{
end_nums = end_nums2;
}
else
{
if ( end_nums1 < 0 )
{
end_nums = end_nums2;
}
else
{