具体实现思路：
1 首先用WebClient类下载网页源码
public static string DownLoadHtml(string url)
{
string output = "";
Encoding encode = Encoding.Default;
WebClient webclient = new WebClient();
try
{
webclient.Headers.Add("Referer", url);
byte[] buff = webclient.DownloadData(url);
output = encode.GetString(buff);
}
catch
{
}
return output;
}
有的网页可能下不下来，有种种原因比如需要cookie,编码问题等等
这是就要具体问题具体分析比如在头部加入cookie
webclient.Headers.Add("Cookie", cookie);
这样可能需要一些重载方法。根据需要写就可以了。
2 下一步过滤掉不必要的特殊字符，把下载下来的网页内容清干净，方便抓取(比如空格双引号）
过滤特殊字符
public static string RepalceStr(string str)
{
str = str.Replace("\r\n", "");
str = str.Replace("\"", "");
str = str.Replace("：", "");
str = str.Replace("\t", "");
str = str.Replace(" ", "");
str = str.Replace("'", "");
str = str.Replace("\r", "");
str = str.Replace("\n", "");
return str;
}
3最后也是最重要的即从目标字符串的第begin个字符处开始，读取以 strBegin 开头,
strEnd 结束的字符串.并返回获取到的内容，如果不存在，返回空。
public static string GetHTMLContent(string strTarget, string strBegin, string strEnd, ref int begin)
{
string result;
int posBegin, posEnd;
posBegin = strTarget.IndexOf(strBegin, begin);
if (posBegin != -1)
{
posEnd = strTarget.IndexOf(strEnd, posBegin + strBegin.Length);
if (posEnd > posBegin)
{
result = strTarget.Substring(posBegin, posEnd + strEnd.Length - posBegin);
begin = posEnd + strEnd.Length;
return result;
}
}
begin = -1;
return "";
}
需要注意的:
begin是引用类型，有可能一段网页中可能会有重复的关键词
比如<!--文章标题-->,<!--文章标题-->,如果你想对第二个文章标题里的内容
操作那么begin就派上用场了,他每次抓取完都返回抓取内容的结尾，在调用
此方法就可以得到第二个<!--文章标题-->的内容。
在抓取完的数据一般都存在数据库中，如果是一个表直接存放就可以了.
如果是两个表比如新闻名称和新闻内容分开，这是你就需要用到sql server的一个全局变量
Select @@IDENTITY；它可以标识生成记录的唯一ID。以用作插入新闻内容用。（两个表以news_id关联）
4 因为是精确抓取在程序处理的过程中要用到很多正则，比如去除连接去除括号等，这当然是简单的正则了。
（见到有高手说动态生成正则还没弄懂学习之~）
Regex pattern1 = new Regex("<a.*?</a>", RegexOptions.Singleline | RegexOptions.IgnoreCase);
Regex pattern2 = new Regex("(.*?)", RegexOptions.Singleline | RegexOptions.IgnoreCase);
newscontent = pattern1.Replace(newscontent, "");
newscontent = pattern2.Replace(newscontent, "");
程序里除了主要的方法外用得最多的就属正则表达式了，处理字符串用正则表达式那是当仁不让，
。
5 下面是抓取时一些特殊情况的处理：
1比如新闻只让抓当日的
static DateTime todaysdate = DateTime.Now.Date;
//date为抓取的日期
DateTime newsday = Convert.ToDateTime(date);
newsday = newsday.Date;
TimeSpan s = todaysdate - newsday;
if (s.TotalDays.ToString() == "0")
{
这里干活
}
2过滤特殊字符比如url里有bbs关键字的不抓
if (newsurl.IndexOf("bbs") > 0)
{
continue;
}
3写入新闻唯一id到文件避免同一天抓两次数据引起新闻重复（再抓的时候比较就可以了）
FileStream fs = new FileStream(filepaths, FileMode.OpenOrCreate, FileAccess.Write);
StreamWriter sw = new StreamWriter(fs, System.Text.Encoding.GetEncoding("gb2312"));
sw.Flush();
sw.BaseStream.Seek(0, SeekOrigin.Begin);
//唯一id
sw.Write(newsqid);
sw.Close();
6抓数据的时候可以把要抓的网站和一些关键字写入xml一边程序里直接调用
这样比较省时省力，比如：
<?xml version="1.0" encoding="utf-8" ?>
<GetDatas>
<MyData>
<CarUrl>http://www.webhost/mysite.html</CarUrl>
<CarFilterf><![CDATA[列表页特征字符串开始]]></Filterf>
<CarFilters><![CDATA[列表页特征字符串结束]]></Filters>
<CarDetailFilterf><![CDATA[详情页特征字符串开始]]></CarDetailFilterf>
<CarDetailFilters><![CDATA[详情页特征字符串结束]]></CarDetailFilters>
<NewsKey>种类一</NewsKey>
</MyData>
<MyData>
<CarUrl>http://www.webhost/mysite.html</CarUrl>
<Filterf><![CDATA[列表页特征字符串开始]]></CarFilterf>
<Filters><![CDATA[ 列表页特征字符串结束 ]]></CarFilters>
<DetailFilterf><![CDATA[详情页特征字符串开始]]></CarDetailFilterf>
<DetailFilters><![CDATA[详情页特征字符串结束]]></CarDetailFilters>
<NewsKey>种类二</NewsKey>
</CarData>
<MyData>
程序里根据newskey的种类写入数据库方便调用。
7最后就是写入数据库了,可以以上面xml里newskey的键值插入数据库。
posted @ 2008-01-26 11:06
早班火车 阅读(2835)
评论(22) 编辑 收藏 所属分类:
asp.net2.0