知识管理系统Data Solution研发日记之五网页下载，转换，导入

这个系列的文章已经写过四篇，如果你错过了之前的文章，可以通过下面的连接来找到他们

在这一篇中，专注于互联网的网页数据的下载，转换格式与导入到SQL Server数据库中。

先看Data Loader为网页下载提供的四个应用程序

UserId Blog 依照注册的用户Id来获取它的所有文章，随笔

Url Blog 依照提供的Url网址连接，下载连接中的文档和知识

Text Blog 依照一段html格式的文本，找出其中的连接，再下载它们到本地

Default Blog 依照提供的默认首页，找到需要的文章并下载

Site Rebuild 根据提供的网站的不同，下载网页，转换成数据库中的格式，并导入到数据库中

Site Rebuild提供下载，转换和导入一条龙的服务，区别于前四个应用程序，它们只负责下载。

Site Rebuild在这里并没有做到像搜索引擎的爬虫一样，在广阔的互联网网页中搜索，爬行。因为我需要的是有用的，对现在的学习和工作有益处的文档，资料和数据，而不是所有的数据都需要。所以，看到上面的只有五个Tab来寻找网页资源，它也是公认的优秀的资源来源。可能会遗漏一些重要的网站，网页，欢迎你的补充。另外，这几个网站也只是专注于IT编程行业，而没有涉及到汽车行业。最近一直想找一些汽车配件行业的知识，苦于没有基础，不知道从哪里入手。所谓的干一行，爱一行，还真是这样，想干IT这一行，又爱其它的行业，没有专业知识，没有基础，就好比瞎子一样，对有用的，无用的资料都视而不见，年纪大了之后，还想从零起步，真有些难。

互联网是丰富的知识的来源，借助于《知识管理系统Data Solution研发日记之三文档解决方案》，可以将本机电脑中所有的文档资源转化为SQL Server数据库文档，依据这一篇文章中提到的知识点和应用程序，则可以抓取丰富的互联网数据资料，构建一个庞大的知识管理的数据库系统。

下载网页是我们经常的行为，遇到好的资料，要么CTRL+C拷贝到WORD中，要么直接另存为htm/mht文件，这两种行为均会导致这些资料分散在硬盘的各个角落中，除非你有很好的耐心去整理成DOC/DOCX,或是用专业的笔记软件，如Microsoft One Note或是Ever Note整理，否则随着时间的积累，硬盘中会有大量的想删除又不能删，想看又没有耐心的文件，常常是这样的一种情形，以我搜集资料的体会，我经常这样做。

下载为本地的mht文件，它的关键代码片段如下面所示

CDO.Message message = new CDO.MessageClass();
message.MimeFormatted = true;
ADODB.Stream stream;
try
       {
                message.CreateMHTMLBody(str, CDO.CdoMHTMLFlags.cdoSuppressNone, "", "");
                 stream = message.GetStream();
        }
        //"Exception 0xc0000005 was generated at address 0x0000000076FE1C30\r\n"
        catch {  }

stream.SaveToFile(fileName, ADODB.SaveOptionsEnum.adSaveCreateOverWrite);
stream.Close();

你可以用关键字CDO去搜索，这会找到很多保存网页为本机mht文件的方法。

网页的下载的格式，以mht格式最优，它可以在一个单一文件中，保存所有的图片和文本，避免htm文件把图片和css放在单一的文件夹中。mht格式同时也是邮件的标准格式，你可以将mht的扩展名改成eml,用Outlook Express或是Live Mail打开，它就是一封邮件。重点的问题就转化到了，如何读取mht格式的文件，转化成RTF格式。这方面的例子，在CodeProject中有比较多的文章介绍，请在该网站中搜索。

最后一步骤就是读取和编辑保存到数据库中的网页数据，在Document Browser中找到需要的文件，双击打开只读程序

如果对它的内容不满意，可以用Editor打开这个文件，进行编辑

这里还缺乏一个基于Web的文档浏览系统，可以通过ASP.NET Web开发技术，直接浏览数据库服务器中的文档。因为Web的htm标签与RTF格式的标签会有很大的出入和不同，暂时还未有实现一个可支持在线编辑的Web文档系统。

对mht格式的文件，本来是用IE网页可以直接浏览的，但是，文件的内容越多，打开的速度实在太慢，甚至会造成假死的状态，原来计划写一个MhtReader，专门读取和显示mht格式文件，用Web Browser控件打开mht文件，代码是这样

public partial class MhtReader : Form
{
        public MhtReader(string fileName)
        {
            InitializeComponent();
            _fileName = fileName;
        }
        private string _fileName;

        private void MhtReader_Load(object sender, EventArgs e)
        {
            if (!string.IsNullOrEmpty(_fileName))
            {
                webBrowser1.Navigate(_fileName);
                this.Text =Path.GetFileNameWithoutExtension(_fileName);
            }
        }
}

因为效率不好，这个计划也放弃了。用IE打开mht文件的速度实在是慢，有时候还要不停的设置允许脚本代码的运行，这在浏览大量文档时，是不可接受的。所以，对mht格式也没有放弃在后台转换成RTF格式。

xps的文档格式，在系统中大量存在，在WORD或是字处理软件的打印选项中，把打印机设置成Microsoft XPS Document Writer，即可把当前的文档转换成xps格式的文档。这种格式在微软的文档中经常看到。

在保存网页时，如果它的图片是引用网络资源的图片，在没有互联网连接的情况下，这些图片是无法显示的。这种情况经常发生在碰到一些好的资料，赶紧CTRL+C放到WORD中，或者另存为htm/mht文件，然后拷贝到U盘中，等换一台电脑，因为没有网络连接，打开一看，图片都无法显示。这种情况下，我的解决办法就是用Adobe PDF把网页打印成PDF格式的文档，图片和文字都保存在PDF文件中，或是用Microsoft XPS Document Writer打印成XPS的文件，这两种情况，都会把图片保存到指定的文件。至于PDF文件转换成DOC/DOCX格式文件，应该不是问题。互联网上有大量的PDF to DOC/DOCX格式的工具，free免费,green绿色，这两者的优点都包括的工具实在是太多了。如上图所示，我推荐的是工具是Adobe Acrobat Professional和Nitro PDF Professional。Adobe SDK支持以编程的方式，调用Adobe Acrobat 的所有功能，包括文档格式转换，PDF数据提取，Nitro PDF提供了优秀的PDF编辑功能，值得推荐。听说Adobe SDK的License费用非常的expensive,PDF Focus.NET有优秀的，专门用于.NET操作的API，可惜连个Trial版本也找不到，找到的版本，要么只能转换文档的前几页，要么加上水印，我的这个Data Solution只好另找途径，想要在这两家公司的产品上找突破点，真有些不可能。

生活在天朝，最大的好处是知识是无价的，没有价值的，不需要付出成本，就可以得到很多很多的知识，技术，生产力和工具，如果能利用到这些优势，你可以创造的生产力价值也是巨大的。当然，你也要为此付出代价，一个ERP软件买3万，客户还要说，这么贵呀，我去盗版碟中找出一个系统来，才不到五元的成本。还有的干脆在网上下载，就耗费一些电费。是的，上帝是公平的。

posted @ 2011-10-26 09:32 信息化建设阅读(2244) 评论(3) 编辑收藏举报

刷新页面返回顶部

知识管理系统Data Solution研发日记之五 网页下载，转换，导入

公告

知识管理系统Data Solution研发日记之五网页下载，转换，导入