求一个C#的网页数据抓取源代码
谁能给个C#的网页数据抓取源代码,最好是完整的,用VS2008开发的先谢谢了 --------------------编程问答-------------------- string netUrl = "http://store.taobao.com/shop/view_shop.htm?asker=wangwang&shop_nick=琳子68";
HttpWebRequest myWebRequest = (HttpWebRequest)WebRequest.Create(netUrl);
WebResponse resp = myWebRequest.GetResponse();
StreamReader oStreamRd = new StreamReader(resp.GetResponseStream(), Encoding.GetEncoding("GB2312"));
string content = oStreamRd.ReadToEnd();
--------------------编程问答-------------------- 大哥,这只是把网页的数据读取下,不过还是谢谢你!
最好还要有塞选标题和内容(静态HTML),然后把它插入数据库(SQLSERVER2005)
麻烦大家了,虚心向高手请教啊 --------------------编程问答-------------------- 抓取网页服务器端源码可能性不大,估计需要黑客类的软件协助,但HTML源码倒不成问题。
--------------------编程问答-------------------- HttpLooky应该可以! --------------------编程问答-------------------- public class WebForm1 : System.Web.UI.Page
{
protected System.Web.UI.WebControls.DataGrid dgData;
private void Page_Load(object sender, System.EventArgs e)
{
// 在此处放置用户代码以初始化页面
dgData.DataSource=getInfo();
dgData.DataBind();
}
//根据Url地址得到网页的html源码
private string GetWebContent1(string Url)
{
string strResult="";
try
{
HttpWebRequest request = (HttpWebRequest)WebRequest.Create(Url);
//声明一个HttpWebRequest请求
request.Timeout = 30000;
//设置连接超时时间
request.Headers.Set("Pragma", "no-cache");
HttpWebResponse response = (HttpWebResponse)request.GetResponse();
Stream streamReceive = response.GetResponseStream();
System.Text.Encoding encoding = System.Text.Encoding.GetEncoding("GB2312");
StreamReader streamReader = new StreamReader(streamReceive, encoding);
strResult = streamReader.ReadToEnd();
}
catch
{
return "";
}
return strResult;
}
//获取超级链接和文章标题、内容
private DataTable getInfo()
{
//创建datatable
DataTable dt = new DataTable();
dt.Columns.Add("title",typeof(string));
dt.Columns.Add("URL",typeof(string));
dt.Columns.Add("content",typeof(string));
dt.Columns.Add("newsdate",typeof(string));
dt.TableName="newsthief";
string html=GetWebContent1("http://www.xxxxxxxxx");
string strPattern0=@"<td width=84% >";
//计算匹配的个数
int Count=0;
MatchCollection Matches=Regex.Matches(html,strPattern0,RegexOptions.IgnoreCase|RegexOptions.Compiled);
foreach(Match NextMatch in Matches)
{
Count++;
}
string sHtml=html;
string strPattern=@"a[\s]+href=(?<Link>[^\s>]+)[^>]*>(?<Text>[^<]*)</a>";
for(int j=0;j<Count-1;j++)//Count-1
{
string sTemp=Regex.Split(sHtml,"<td width=84% >",RegexOptions.IgnoreCase)[j+1];
string sHref=Regex.Split(sTemp,"</td>",RegexOptions.IgnoreCase)[0];
string sDateTemp=Regex.Split(sTemp,"</td>",RegexOptions.IgnoreCase)[1];
string sDate=Regex.Split(sDateTemp,"<td Width=12% >",RegexOptions.IgnoreCase)[1];
Matches=Regex.Matches(sHref,strPattern,RegexOptions.IgnoreCase|RegexOptions.Compiled);
foreach(Match NextMatch in Matches)
{
string URL="http://www.china-insurance.com/news-center/"+NextMatch.Groups["Link"].Value.ToString().Trim();
string title=NextMatch.Groups["Text"].Value.ToString().Trim();
string htmlContent=GetWebContent1(URL);
string sContentTemp=Regex.Split(htmlContent,"<table width=\"99%\" height=\"100%\" border=\"0\" cellspacing=\"0\" cellpadding=\"0\" align=\"center\">",RegexOptions.IgnoreCase)[1];
string sContent=Regex.Split(sContentTemp,"</table>",RegexOptions.IgnoreCase)[0];
sContentTemp=Regex.Split(sContent,"<font id=zoom>",RegexOptions.IgnoreCase)[2];
sContent=Regex.Split(sContentTemp,"</font>",RegexOptions.IgnoreCase)[0];
//去掉<img ...> @"\<IMG(.[^\<]*)?()\>)"
string sContent1=Regex.Replace(sContent,@"<img[\s\S]*?>"," ",RegexOptions.IgnoreCase|RegexOptions.Compiled);
DataRow dr = dt.NewRow();
dr["title"]=title;
dr["URL"]=URL;
dr["content"]=sContent1;
dr["newsdate"]=sDate;
dt.Rows.Add(dr);
}
}
return dt;
--------------------编程问答-------------------- 大老杨数据抓取中心是一个以网站数据采集软件订制开发为主要业务的个人工作室.数据抓取中心开办两年多来得到
广大客户的支持.更多信息如下
山东[大老杨]专业网站数据抓取服务中心
网站数据抓取的定义
从任意网站抓取任意信息经过处理分捡保存到自己的数据库中。
例如:1从某足球网站抓取陪率变化信息保存到自己的数据库
2.从alibaba等b2b站点抓取企业联系信息到数据库
3.从各新闻站点动态抓取新闻丰富自己的站点
4.从n多房产网站抓取房产信息到自己的站点丰富自己的内容
5.从国外生物学站点抓取人类基因序列到自己数据库中用来分析
软件数据抓取的定义
例如: 1.从某医学软件里面抓取上万种药品数据到自己数据库中
2.从某股票软件中动态抓取股票信息保存到自己数据库中
把现有软件里面的数据通过技术手段复制出来并且分析整理到数据库中
数据抓取的分类
数据抓取分为两种一种是 一次性抓取 ,一种是动态跟踪
一次性抓取就是通过为用户定制程序一次性的从网站上抓数据到数据库并保存为用户指定的数据格式
动态跟踪就是 定制跟踪软件 当目标网站发生变化时用户的网站动态的同步
客户案例
1 200万条中英文句子对照
2 北京乐享彩铃铛 全国各网站彩铃数据抓取
3 阿里巴巴公司库
4 sohu招商数据
5北京深百科技彩铃数据抓取
6 **********应客户要求已经删除
7深圳某博彩公司足球数据
8上海某游戏币销售公司对n个销售网站的价格监控程序定制
9广州某物流公司抓取寰球资源的企业信息
10上海某房地产交易网站抓取n多同类站点信息
以上案例显示企业名称的均经过对方同意 如有侵犯合作公司隐私之处请相关公司速与大老杨联系立即删除.
更多案例请直接联系大老杨
更多问题 请咨询 Q Q : 597196782 或者电话联系
--------------------编程问答-------------------- public class PageUtil
{
#region 得到网络流
public static HttpWebResponse GetResponse(string url)
{
return GetResponse(url, @"http://www.bfor.cn");
}
public static HttpWebRequest CreateRequest(string url)
{
return CreateRequest(url, @"http://www.bfor.cn");
}
public static HttpWebRequest CreateRequest(string url, string referral)
{
WebRequest req = WebRequest.Create(url);
HttpWebRequest wreq = req as HttpWebRequest;
if (null != wreq)
{
wreq.UserAgent = "xiaoxiao";
wreq.Referer = @"http://www.bfor.cn";
wreq.Timeout = 60000;
}
return wreq;
}
public static HttpWebResponse GetResponse(string url, string referral)
{
HttpWebRequest request = CreateRequest(url);
return (HttpWebResponse)request.GetResponse();
}
public static string GetPageText(string url, out string referral)
{
string str;
HttpWebResponse response = GetResponse(url);
using (Stream s = response.GetResponseStream())
{
string enc = getEncoding(response);
if (enc == "")
enc = "gb2312";
referral = enc;
Encoding encode = System.Text.Encoding.GetEncoding(enc);
using (StreamReader sr = new StreamReader(s, encode))
{
str = sr.ReadToEnd();
}
}
response.Close();
return str;
}
private static string getEncoding(HttpWebResponse httpResp)
{
string contentType = httpResp.ContentType;//类似“Content-Type: text/html; charset=utf-8;”或“Content-Type: text/html; charset=utf-8”或者“Content-Type: text/html”//注意utf-8后面有可能没有分号
int i = contentType.IndexOf("charset=");
string s = httpResp.CharacterSet;
if (i >= 0)
{
i += 8;
int j = contentType.IndexOf(';', i);
if (j >= i)
{
return contentType.Substring(i, j - i).Trim();
}
return contentType.Substring(i);
}
return string.Empty;
}
#endregion
}
调用
string en;
string response=string.Empty;
try
{
response= PageUtil.GetPageText(url, out en);
ServiceManager.EditorContainer.LoadText(url, response);
Close();
this.DialogResult = DialogResult.OK;
}
catch (Exception ex)
{
Util.ShowErrorMessageBox("打开网址'{0}'时出现错误 :\n\n{1}",url, ex.Message);
}
out 参数,获取页面编码 --------------------编程问答--------------------
<@Aattention Content="本Blog原创文章,转载或引用请注明转载" From="Robby.cnblogs.com"@>--------------------编程问答-------------------- 看了相关文章,今晚得动手啦。 --------------------编程问答--------------------
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!
WebClient client = new WebClient();
Console.WriteLine("开始获取网页");
string input = client.DownloadString(URL);
return input;
然后用正则分析即可 --------------------编程问答-------------------- 类似php的小偷程序 哈哈 --------------------编程问答-------------------- 顶
先记住 以后再来看 --------------------编程问答-------------------- 我最近刚写完一个也许是你需要的 要到话 QQ我 465821308 --------------------编程问答-------------------- 收藏了先 --------------------编程问答-------------------- 这个问题不错,刚好我也遇到要开发这个,用winform做。要是找到了答案给我发份塞 QQ:253260227 --------------------编程问答-------------------- --------------------编程问答-------------------- --------------------编程问答-------------------- --------------------编程问答-------------------- 我有个完整的多线程网页抓取程序带源码(c#)不过要收费的:QQ473324702 --------------------编程问答-------------------- --------------------编程问答-------------------- 楼主解决否,我现在也正在做与之相关的(winform)可否给我发一份,谢谢 邮箱1471390284@qq.com --------------------编程问答-------------------- 额, 还真有贴代码的 --------------------编程问答-------------------- LZ,有了吗?可以给我发一份吗?谢谢。邮箱:529293998@qq.com --------------------编程问答-------------------- 楼主 问题解决了吧?给我发个吧 我现在很需要 发我邮箱346297839@qq.com 谢谢 --------------------编程问答-------------------- 这个问题面临的好多噢,我是初学者,能否给发一份完整版的,谢谢了高手们!! 邮箱1192488985@qq.com --------------------编程问答-------------------- 也发我一个楼主! 发我邮箱ywang@lentro.com --------------------编程问答--------------------
--------------------编程问答-------------------- 好多高手前辈,晚辈也求教一份,谢谢1194239523@qq.com --------------------编程问答-------------------- 楼主!小弟虚心求一份! 284849650@qq.com --------------------编程问答-------------------- 留个脚印,以后来看 --------------------编程问答-------------------- 看来抓取还是挺多的啊
string netUrl = "http://www.265.com";
HttpWebRequest myWebRequest = (HttpWebRequest)WebRequest.Create(netUrl);
WebResponse resp = myWebRequest.GetResponse();
StreamReader oStreamRd = new StreamReader(resp.GetResponseStream(),Encoding.GetEncoding("GB2312"));
string content = oStreamRd.ReadToEnd();
Console.WriteLine(content);
Console.ReadLine();
哂哂 --------------------编程问答-------------------- --------------------编程问答-------------------- --------------------编程问答-------------------- 小弟急需一份,请发我QQ:317516596 谢谢了! --------------------编程问答-------------------- 小弟求一份 501764875@qq.com
谢谢
谢谢
谢谢 --------------------编程问答-------------------- --------------------编程问答-------------------- 昨天主管突然找我,说月底有个游戏要发新补丁,但是没有新增部分的资料,找到一个网站却不知道怎么下载到我们的数据库中.
我看了一下,网页为了防抓取,都是用js来生成内容,不过还是让我找到具体位置,所有物品有3万多,需要的还要过滤,有用的只有3千多,人工来做几乎不太现实的,于是写了一个winform来抓它的信息来写到数据库中
动作在DocumentCompleted事件中完成.
private const string SQL_DATA = "select * from Table1";
private const string SQL_INSERT_1 = "insert into Table1 (WebID,Name,NeedLevel,Content) values (";
private const string Sql_INSERT_2 = ")";
private void webBrowser1_DocumentCompleted(object sender, WebBrowserDocumentCompletedEventArgs e)
{
string mydocument = webBrowser1.DocumentText;
//listBox1.Items.Add(mydocument);
string SQL_INSERT = string.Empty;
//取得页面中的物品等级
int mylevel = GetLevel(mydocument);
//取得页面中物品名称
string myname = GetName(mydocument);
if (!string.IsNullOrEmpty(myname))
{
SQL_INSERT = SQL_INSERT_1 + ID.ToString() + ",'" + myname + "'," + mylevel + ",'" + mydocument + "'" + Sql_INSERT_2;
SqlConnection cn = new SqlConnection();
cn.ConnectionString = SQL_CONNECTION;
SqlCommand sqlcmd = new SqlCommand(SQL_INSERT, cn);
cn.Open();
try
{
int tmp = sqlcmd.ExecuteNonQuery();
}
catch
{
throw new Exception("no good");
}
sqlcmd.Dispose();
cn.Close();
}
}
取得物品名称和等级:www.shiapifa.com
private string GetName(string mydocument)
{
if (string.IsNullOrEmpty(mydocument)) return string.Empty;
int pos_start = mydocument.IndexOf(".html\">", 0);
if (pos_start == -1) return string.Empty;
int pos_end = mydocument.IndexOf("</a></div>", 0);
if (pos_end == -1) return string.Empty;
if (pos_start >= pos_end) return string.Empty;
string name = string.Empty;
name = mydocument.Substring(pos_start + 7, pos_end - pos_start - 7);
return name;
}
private int GetLevel(string mydocument)
{
if (string.IsNullOrEmpty(mydocument))return 0;
int pos_start = mydocument.IndexOf("需要等级", 0);
if (pos_start == -1) return 0;
int pos_end = mydocument.IndexOf("</div>", pos_start);
if (pos_end == -1) return 0;
if (pos_start >= pos_end) return 0;
string Level = "0";
Level = mydocument.Substring(pos_start + 5, pos_end - pos_start - 5);
int intleve = 0;
try
{
intleve = Convert.ToInt32(Level);
}
catch
{
}
finally
{
}
return intleve;
}
无法判断浏览器是否完成加载,所以用timer控件来完成: www.wanxinyi.com
private const int START_ID = 1;
private const int END_ID = 40000;//32999;
private static int ID = 1;
private void timer1_Tick(object sender, EventArgs e)
{
if (ID < END_ID && !webBrowser1.IsBusy)
{
ID = ID + 1;
webBrowser1.Navigate("http://xxxx.com/xx.php?id=" + ID.ToString());
//listBox1.Items.Add(ID.ToString() + webBrowser1.DocumentText);
//InsertIntoDB(webBrowser1.DocumentText, ID);
textBox4.Text = ID.ToString();
}
}
timer的interval控制在1000ms,40000条数据用了11个多小时,从昨天晚上10点到今天早上,刚来的时候看到数据全都乖乖的在数据库呆着了.呵呵,搞定,交差...
--------------------编程问答--------------------
需求本身不明确还怪人家.... --------------------编程问答-------------------- 好东西,先谢个 --------------------编程问答--------------------
protected void Page_Load(object sender, EventArgs e)
{
string strurl = "http://www.baidu.com"; //欲获取的网页地址
WebClient myWebClient = new WebClient(); //创建WebClient实例myWebClient
//获取或设置用于对向 Internet 资源的请求进行身份验证的网络凭据。
myWebClient.Credentials = CredentialCache.DefaultCredentials;
//从资源下载数据并返回字节数组。(加@是因为网址中间有"/"符号)
byte[] pagedata = myWebClient.DownloadData(strurl);
//以下两句每次只要使用一条即可,功能是一样是用来转换字符集,根据获取网站页面的字符编码选择
//string result=Encoding.Default.GetString(pagedata);
//如果获取网站页面采用的是GB2312,则使用这句
string result = Encoding.UTF8.GetString(pagedata);
//如果获取网站页面采用的是UTF-8,则使用这句
//因为我的博客使用了UTF-8编码,所以在这里我使用这句
Response.Write(result); //在WEB页中显示获取的内容
}
这个比较简单点。 --------------------编程问答-------------------- 我用PHP做过一个,你的需求是截取一部分代码存储在数据库吧?
在查询出来的时候又能显示网页的信息? --------------------编程问答-------------------- string str = @"D:\Raymond's Documents\My Pictures\247129.jpg";
FileStream fs = new FileStream(str, FileMode.Open, FileAccess.Read);
BinaryReader by = new BinaryReader(fs);
int length = (int)fs.Length;
byte[] imgbyte = by.ReadBytes(length);
MemoryStream ms = new MemoryStream(imgbyte);
ms.Seek(0, SeekOrigin.Begin);
Image image = Image.FromStream(ms); --------------------编程问答--------------------
--------------------编程问答-------------------- 路过,我也想要
/// <summary>获取网页源代码
///
/// </summary>
/// <param name="url">目标网页地址</param>
/// <param name="code">如果目标网页是utf-8编码的在此输入utf8,若是gb2312编码的则不用输入</param>
/// <returns></returns>
public static string GetWebresourceFile(string url, string code)
{
WebClient myWebClient = new WebClient();
byte[] myDataBuffer = myWebClient.DownloadData(url);
string SourceCode = "";
if ("utf8" == code)
{
SourceCode = Encoding.UTF8.GetString(myDataBuffer); //url对应的网页是 utf-8 的编码则是用这个
}
else
{
SourceCode = Encoding.Default.GetString(myDataBuffer); //url对应的网页是 gb2312 的编码则是用这个
}
return SourceCode;
}
补充:.NET技术 , C#