提取网页中的链接并生成xml

简介:
using System;
using System.Xml;
using System.Text;
using System.Net;
using System.IO;
using System.Collections;
using System.Text.RegularExpressions;

public class App
{
    public static void Main()
    {
        string strCode;
        ArrayList alLinks; 
        Console.Write("请输入一个网页地址:");
        string strURL = Console.ReadLine();
        if (strURL.Substring(0, 7) != @"http://")
        {
            strURL = @"http://" + strURL;
        } 
        Console.WriteLine("正在获取页面代码,请稍侯...");
        strCode = GetPageSource(strURL);

        Console.WriteLine("正在提取超链接,请稍侯...");
        alLinks = GetHyperLinks(strCode);

        Console.WriteLine("正在写入文件,请稍侯...");
        WriteToXml(strURL, alLinks);
    }

    // 获取指定网页的HTML代码 
    static string GetPageSource(string URL)
    {
        Uri uri = new Uri(URL); 
        HttpWebRequest hwReq = (HttpWebRequest)WebRequest.Create(uri);
        HttpWebResponse hwRes = (HttpWebResponse)hwReq.GetResponse(); 
        hwReq.Method = "Get"; 
        hwReq.KeepAlive = false; 
        StreamReader reader = new StreamReader(hwRes.GetResponseStream(), System.Text.Encoding.GetEncoding("GB2312")); 
        return reader.ReadToEnd();
    }

    // 提取HTML代码中的网址 
    static ArrayList GetHyperLinks(string htmlCode)
    {
        ArrayList al = new ArrayList(); 
        string strRegex = @"http://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?"; 
        Regex r = new Regex(strRegex, RegexOptions.IgnoreCase);
        MatchCollection m = r.Matches(htmlCode); 
        for (int i = 0; i <= m.Count - 1; i++)
        {
            bool rep = false;
            string strNew = m[i].ToString();

            // 过滤重复的URL 
            foreach (string str in al)
            {
                if (strNew == str)
                {
                    rep = true;
                    break;
                }
            } 
            if (!rep) al.Add(strNew);
        } 
        al.Sort(); 
        return al;
    }

    // 把网址写入xml文件 
    static void WriteToXml(string strURL, ArrayList alHyperLinks)
    {
        XmlTextWriter writer = new XmlTextWriter("HyperLinks.xml", Encoding.UTF8); 
        writer.Formatting = Formatting.Indented;
        writer.WriteStartDocument(false);
        writer.WriteDocType("HyperLinks", null, "urls.dtd", null);
        writer.WriteComment("提取自" + strURL + "的超链接");
        writer.WriteStartElement("HyperLinks");
        writer.WriteStartElement("HyperLinks", null);
        writer.WriteAttributeString("DateTime", DateTime.Now.ToString()); 
        foreach (string str in alHyperLinks)
        {
            string title = GetDomain(str);
            string body = str;
            writer.WriteElementString(title, null, body);
        } 
        writer.WriteEndElement();
        writer.WriteEndElement(); 
        writer.Flush();
        writer.Close();
    }

    // 获取网址的域名后缀 
    static string GetDomain(string strURL)
    {
        string retVal; 
        string strRegex = @"(\.com/|\.net/|\.cn/|\.org/|\.gov/)"; 
        Regex r = new Regex(strRegex, RegexOptions.IgnoreCase);
        Match m = r.Match(strURL);
        retVal = m.ToString(); 
        strRegex = @"\.|/{1}quot;;
        retVal = Regex.Replace(retVal, strRegex, "").ToString(); 
        if (retVal == "")
            retVal = "other"; 
        return retVal;
    }
}

目录
相关文章
|
4月前
|
XML Ubuntu Linux
部署08---扩展-Win10配置WSL(Ubuntu)环境,WSL系统是什么意思,是Windows系统上的一个子系统, xml的一大特点是直链系统,直接链接你的CPU,硬盘和内存,如何用 WSL部署
部署08---扩展-Win10配置WSL(Ubuntu)环境,WSL系统是什么意思,是Windows系统上的一个子系统, xml的一大特点是直链系统,直接链接你的CPU,硬盘和内存,如何用 WSL部署
|
5月前
|
XML Java 数据格式
必知的技术知识:java基础73dom4j修改xml里面的内容(网页知识)
必知的技术知识:java基础73dom4j修改xml里面的内容(网页知识)
39 1
|
XML 数据采集 JSON
scrapy_selenium爬取Ajax、JSON、XML网页:豆瓣电影
在网络爬虫的开发过程中,我们经常会遇到一些动态加载的网页,它们的数据不是直接嵌入在HTML中,而是通过Ajax、JSON、XML等方式异步获取的。这些网页对于传统的scrapy爬虫来说,是很难直接解析的。那么,我们该如何使用scrapy_selenium来爬取这些数据格式的网页呢?本文将为你介绍scrapy_selenium的基本原理和使用方法,并给出一个实际的案例。
112 0
|
6月前
|
XML Java 数据格式
javaweb实训第五天下午——xml配置文件约束报错问题
问题描述: 如果电脑连不上网,或者网速不好可能会造成Spring框架中xml配置文件出现错误。但是这个错误不影响项目的运行的;
62 0
|
XML 数据格式 容器
Servlet进阶(链接传值、XML配置、转发与重定向)
Servlet进阶(链接传值、XML配置、转发与重定向)
124 0
|
数据采集 XML 前端开发
Python爬虫:scrapy内置网页解析库parsel-通过css和xpath解析xml、html
Python爬虫:scrapy内置网页解析库parsel-通过css和xpath解析xml、html
212 0
|
XML jenkins 持续交付
python提取xml指定内容
python提取xml指定内容
290 0
python提取xml指定内容
|
XML 数据格式 Web App开发
|
XML JSON Android开发
【android初级】之Android之从网络上获取数据(图片,网页,xml,json等)
1>从网络上获取数据(图片,网页,xml,json等)  A.从网络上获取一张图片,然后显示到手机上这是在java中 public class ImageRequest {  /**   * @param args   */  public sta...
751 0