<@Aattention Content="本Blog原创文章,转载或引用请注明转载"
From="Robby.cnblogs.com"@>
由于自己的搜索引擎中做到了这一块内容,所以今天说说如何抓取网页数据、分析并且去除Html标签,给大家提供一个参考。我的平台是Visual
Studio2005,C#。
—————————————————————割—————————————————————————
首先将网页内容整个抓取下来,这个我就不说了,不是本次话题的重点。假设抓取的数据放在RecvBuffer这个byte[]中(数据从网络上传输过来时不是字符串的形式而是byte),那么我们的第一步就是将RecvBuffer转化为String,以便于对其操作,实例如下:
//
将接收到的数据增加到响应字符串中
strResponse
+=
Encoding.ASCII.GetString(RecvBuffer,
0
, nBytes);
strResponse即是保存数据的字符串,此处用系统自带的System.Text.Encoding的方法转化RecvBuffer,GetString的第一个参数RecvBuffer就是我们的原始数据,即包含需要解码的字节序列的字节数组;第二个参数0代表第一个要解码的字节的索引,一般就从0开始;第三个参数nBytes为要解码的字节数,可以自己调整。
得到了数据的字符串形式,然后可以对网页进行解析了(其实就是对字符串的各种操作和正则表达式的应用)。下面我以几个例子来说明对网页数据的解析:
//
解析页面,查找链接
//
此处尚需扩展,还有某些形式的链接不被识别
string
strRef
=
@"
(href|HREF|src|SRC|action|ACTION|Action)[ ]*=[ ]*[""'][^""'#>]+[""']
"
;
MatchCollection matches
=
new
Regex(strRef).Matches(strResponse);
strStatus
+=
"
找到:
"
+
matches.Count
+
"
个链接\r\n
"
;
上面的例子将网页中的链接解析出来,strRef变量表示了正则表达式的模式,变量matches表示符合匹配的项目的集合,后面的Regex(strRef).Matches(strResponse)就是创建正则规则使得strResponse里符合strRef模式的字符串都返回。然后调用matches的变量就可以取得各种信息了。
当然,这里只能识别一些基本的链接形式,像script中的链接和一些不带“”的链接都没有被支持,这个的扩展还是蛮简单的。
再举几个更简单点的解析的例子,大家学习学习:
//
获取标题
Match TitleMatch
=
Regex.Match(strResponse,
"
<title>([^<]*)</title>
"
, RegexOptions.IgnoreCase
|
RegexOptions.Multiline);
title
=
TitleMatch.Groups[
1
].Value;
//
获取描述信息
Match Desc
=
Regex.Match(strResponse,
"
<Meta name=\
"
DESCRIPTION\
"
content=\
"
([
^<
]
*
)\
"
>
"
, RegexOptions.IgnoreCase
|
RegexOptions.Multiline);
strdesc
=
Desc.Groups[
1
].Value;
//
获取网页的大小
size
=
strResponse.Length;
—————————————————————割—————————————————————————
好了,下面说一下如何去除Html标签,这个想必有很多初学者很需要。其实还是正则表达式和字符串基本操作的应用,由于这个功能还是比较常用的,所以例子写成了函数,便于调用:
/**/
///
<summary>
///
将Html标签转化为空格
///
</summary>
///
<param name="strHtml">
待转化的字符串
</param>
///
<returns>
经过转化的字符串
</returns>
private
string
stripHtml(
string
strHtml)
{
Regex objRegExp
=
new
Regex(
"
<(.|\n)+?>
"
);
string
strOutput
=
objRegExp.Replace(strHtml,
""
);
strOutput
=
strOutput.Replace(
"
<
"
,
"
<
"
);
strOutput
=
strOutput.Replace(
"
>
"
,
"
>
"
);
return
strOutput;
}
ok,这样一来Html标签就基本没了,但是有些例外会使得去除不干净,所以建议连续两次转化,这样就搞定了。但是还没结束,如果你留意的话,可以看到上面的函数其实是将Html标签转化为了空格。太多连续的空格会影响之后对字符串的操作。所以再加入这样的语句:
//
把所有空格变为一个空格
Regex r
=
new
Regex(
@"
\s+
"
);
wordsOnly
=
r.Replace(strResponse,
"
"
);
wordsOnly.Trim();
好了,大功告成,这里的wordsOnly便是我们最终的成果----去除了Html标签,并去除了多余空格的字符串。
希望对大家有用!