所謂的數據采集程序也就是網頁小偷程序(大家別罵我哦),寫完了來這裡發點東西,希望大家有何高見共同研究.
1.在下載數據的開始,有些網站是要登錄了才能看到相應的數據,這個就需要我們發送登錄用戶名和密碼了,但我是登錄了,但他服務器也不是垃圾,在他那裡重定向了,共產生了2個SESSION,這第2個SESSION我就不知道如何捕抓.於是我就投機^-^,用軟件將SESSION捕抓下來了1個叫Ethereal的軟件,用以下代碼加入到HTTP請求的頭部
WebClient myWebClient = new WebClIEnt();
string sessionkey=textBox78.Text;
string refererurl=textBox77.Text;
myWebClIEnt.Headers.Clear();
myWebClient.Headers.Add("CookIE",sessionkey);
myWebClIEnt.Headers.Add("Referer", refererurl);
myWebClIEnt.Headers.Add("User-agent", "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.5) Gecko/20031107 Debian/1.5-3");
這樣就欺騙了服務器了,哈哈
2.第二部就是代碼下載
byte[] myDataBuffer = myWebClIEnt.DownloadData(remoteUri);
download = Encoding.Default.GetString(myDataBuffer);
3.第3部就是數據的匹配了,我是將流讀取到數據裡,然後用IndexOf得到2個關鍵字段的位置,然後用Substring取出來的,我知道這很笨,但用正則表達式難啊(誰會的指點我下),匹配完了得到的字符串我就用以下的函數去掉了Html代碼:
private string StripHTML(string strHtml)
{
string [] aryReg ={
@"<script[^>]*?>.*?</script>",
@"<(\/\s*)?!?((\w+:)?\w+)(\w+(\s*=?\s*(([""'])(\\[""'tbnr]|[^\7])*?\7|\w+)|.{0})|\s)*?(\/\s*)?>",
@"([\r\n])[\s]+",
@"&(quot|#34);",
@"&(amp|#38);",
@"&(lt|#60);",
@"&(gt|#62);",
@"&(nbsp|#160);",
@"&(IExcl|#161);",
@"&(cent|#162);",
@"&(pound|#163);",
@"&(copy|#169);",
@"&#(\d+);",
@"-->",
@"<!--.*\n"
};
string [] aryRep = {
"",
"",
"",
"\"",
"&",
"<",
; ">",
" ",
"\xa1",//chr(161),
"\xa2",//chr(162),
"\xa3",//chr(163),
"\xa9",//chr(169),
"",
"\r\n",
""
};
string newReg =aryReg[0];
string strOutput=strHtml;
for(int i = 0;i<aryReg.Length;i++)
{
Regex regex = new Regex(aryReg[i],RegexOptions.IgnoreCase );
strOutput = regex.Replace(strOutput,aryRep[i]);
}
strOutput.Replace("<","");
strOutput.Replace(">","");
strOutput.Replace("\r\n","");
return strOutput;
}
4.到了後面就是入庫了,這個大家都懂了吧.但是我還有點問題就是,在我寫數據的時候,出了EXCEPTION,說我的字段太長了,不能寫進到數據庫,我用的是Access,我試驗下用SQL吧.
5.大家有什麼好的建議給我留個言賽.共同進步嘛.
出處：http://jetadv.cnblogs.com/archive/2006/02/18/333213.Html
