一步一步教你抓数据——用.net精确提取网站数据的通用方法

时间:2024-03-04 09:38:29
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;
        }

需要注意的:
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

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。