我来做百科(第二十天) B

简介:
tag系统完成,再修复一些添加词条,修改内容的问题,就可以做数据采集了。
数据采集网上的资料很多,再结合自己的需要,写了一下代码:
protected   void  Button1_Click( object  sender, EventArgs e)
    
{
        Lemma lemma 
= new Lemma();

        Response.Write(
"采集结果:<br/><br/>");
        Response.Flush();

        
for (int i = 0; i <= 3; i++)
        
{

            
string sUrl = strurl + (i * 10).ToString();

            Response.Write(
"采集url:" + sUrl + "<br/>");
            Response.Flush();

            
foreach (string temp in GetHtmls(@"/view/\d+\.htm", GetUrlHtml(sUrl)))
            
{
                
string url = u + temp;

                
string sHtml = GetUrlHtml(url);

                
string sLemma = GetLemma(sHtml);
                
string sDetail = GetDetail(sHtml);
                
string sTag = GetTag(sHtml);

                
int idLemma = lemma.AddLemma(sLemma, sDetail, "cloud"0string.Empty, url, sTag);

                StringBuilder sb 
= new StringBuilder();
                sb.Append(
"id:").Append(idLemma).Append("<br/> 词条:").Append(sLemma).Append("<br/>");
                sb.Append(
"Tag:").Append(sTag).Append("<br/> 连接:<a href='").Append(url).Append("'' target='_blank'>").Append(url).Append("</a><br/>");

                
if (idLemma > 0)
                
{
                    sb.Append(
"成功!").Append(" <a href='../index/show.aspx?id=").Append(idLemma).Append("' target='_blank'>查看</a>"); ;
                }

                
else
                
{
                    sb.Append(
"失败!错误代码:").Append(idLemma);
                }


                sb.Append(
"<br/><br/>");

                Response.Write(sb.ToString());
                Response.Flush();
            }

        }

    }


    
public   static   string  GetUrlHtml( 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;
    }


    
public   static   string  GetHtml( string  begin,  string  end,  string  content)
    
{
        
return GetHtml(begin + "((.*?\\n?)*?)" + end, content);
    }


    
public   static   string  GetHtml( string  pattern,  string  content)
    
{
        Regex reg 
= new Regex(pattern);
        Match match 
= reg.Match(content);

        
if (match != Match.Empty)
        
{
            
//content = content.Replace(match.Groups[1].ToString(), string.Empty);
            return match.Groups[1].ToString();
        }

        
else
        
{
            
return string.Empty;
        }

    }


    
public   static  StringCollection GetHtmls( string  begin,  string  end,  string  content)
    
{
        
return GetHtmls(begin + "((.*?\\n?)*?)" + end, content);
    }


    
public   static  StringCollection GetHtmls( string  pattern,  string  content)
    
{
        Regex reg 
= new Regex(pattern);
        MatchCollection matches 
= reg.Matches(content);
        StringCollection list 
= new StringCollection();
        
foreach (Match match in matches)
        
{
            
if (match != Match.Empty)
            
{
                list.Add(match.Value);
            }

        }

        
return list;
    }


    
/// <summary>
    
/// 正则替换
    
/// </summary>

     public   static   string  ReplaceText( string  input,  string  pattern,  string  replacement)
    
{
        
if (string.IsNullOrEmpty(input)) return string.Empty;
        Regex rgx 
= new Regex(pattern, RegexOptions.IgnoreCase | RegexOptions.Multiline);
        
return rgx.Replace(input, replacement);
    }


    
/// <summary>
    
/// 去标签 包括内容
    
/// </summary>

     public   static   string  ClearWholeTag( string  input,  string  tag)
    
{
        
return ReplaceText(input, @"<" + tag + "[^>]*?>.*?</" + tag + ">""");
    }


    
/// <summary>
    
/// 去标签 不包括内容
    
/// </summary>

     public   static   string  ClearTag( string  input,  string  tag)
    
{
        
return ReplaceText(input, @"<\/?" + tag + "[^>]*>""");
    }


    
/// <summary>
    
/// 去全部标签
    
/// </summary>

     public   static   string  ClearAllTag( string  input)
    
{
        
return ReplaceText(input, @"<\/?[a-zA-Z]+[^>]*>""");
    }

数据采集就是爽,先来三百多条吧,哈哈。

本文转自博客园cloudgamer的博客,原文链接:我来做百科(第二十天) B,如需转载请自行联系原博主。

相关文章
|
9月前
|
弹性计算 NoSQL 关系型数据库
晕~阿里云降价了!没买的来看看吧!
晕~阿里云降价了!还没买的来看看吧!2024年最新阿里云降价,立即生效!百款产品直降,平均降幅20%,阿里云希望通过此次大规模降价,让更多企业和开发者用上先进的公共云服务,加速云计算在中国各行各业的普及和发展。这次降价包括云服务器ECS、对象存储OSS、云数据库都降价了,真降价,直降价:百款产品直降,平均降幅20%,阿里云百科分享阿里云2024年降价信息汇总表
|
9月前
|
JavaScript 前端开发 测试技术
"0元搞定!手把手教你建网站,简单得就像泡桶方便面一样,上线个人网站轻而易举!"
没有服务器和公网IP,想要其他人访问自己做好的网站,该怎么办?今天教大家使用这款简单免费的内网穿透小工具——ngrok,有了它轻松让别人访问你的项目~
|
9月前
|
设计模式 架构师 算法
为面阿里P8,我肝了一份651个技术分支的脑图,要么?(限时领)
这半年,很多人选择安稳,我偏偏不。。 哥们我就想要跳槽,要不干脆去面个【P8 级架构师】吧,也算是摸摸行情,为后面的一些安排提前做好规划~
|
数据采集 机器学习/深度学习 弹性计算
阿里云服务器可以用来做什么?(老司机经验之谈)
2023阿里云服务器可以用来做什么?(老司机经验之谈)使用阿里云服务器可以做什么?阿里云百科分享使用阿里云服务器常用的十大使用场景,说是十大场景实际上用途有很多,阿里云百科分享常见的云服务器使用场景,如本地搭建ChatGPT、个人网站或博客、运维测试、学习Linux、跑Python、小程序服务器等等,云服务器吧分享使用阿里云服务器可以做的几件小事
203 0
|
vr&ar
支付宝集五福来了!一张图看懂官方攻略
通过以下几种方式可获得支付宝福卡:1、2月6日起,通过支付宝AR扫任一福字或扫身边好友“五福到”手势;2、2月8日起,在蚂蚁庄园中收取金蛋;3、2月11日起,参与蚂蚁森林浇水活动(好友或合种的树均可);4、朋友之间可转赠福卡,传递福气。
4649 0
|
数据安全/隐私保护