C#抓取网页数据 解析标题描述图片等信息 去除HTML标签
一、首先将网页内容整个抓取下来,数据放在byte[]中(网络上传输时形式是byte),进一步转化为String,以便于对其操作,实例如下:
privatestaticstringGetPageData(stringurl) { if(url==null||url.Trim()=="") returnnull; WebClientwc=newWebClient(); wc.Credentials=CredentialCache.DefaultCredentials; Byte[]pageData=wc.DownloadData(url); returnEncoding.Default.GetString(pageData);//.ASCII.GetString }
二、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):
常用的的解析还有以下几种:
1.获取标题
MatchTitleMatch=Regex.Match(strResponse,"<title>([^<]*)</title>",RegexOptions.IgnoreCase|RegexOptions.Multiline); title=TitleMatch.Groups[1].Value;
2.获取描述信息
MatchDesc=Regex.Match(strResponse,"<metaname=\"DESCRIPTION\"content=\"([^<]*)\">",RegexOptions.IgnoreCase|RegexOptions.Multiline); strdesc=Desc.Groups[1].Value;
3.获取图片
publicclassHtmlHelper { ///<summary> ///HTML中提取图片地址 ///</summary> publicstaticList<string>PickupImgUrl(stringhtml) { RegexregImg=newRegex(@"<img\b[^<>]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*[""']?[\s\t\r\n]*(?<imgUrl>[^\s\t\r\n""'<>]*)[^<>]*?/?[\s\t\r\n]*>",RegexOptions.IgnoreCase); MatchCollectionmatches=regImg.Matches(html); List<string>lstImg=newList<string>(); foreach(Matchmatchinmatches) { lstImg.Add(match.Groups["imgUrl"].Value); } returnlstImg; } ///<summary> ///HTML中提取图片地址 ///</summary> publicstaticstringPickupImgUrlFirst(stringhtml) { List<string>lstImg=PickupImgUrl(html); returnlstImg.Count==0?string.Empty:lstImg[0]; } }
4.去除Html标签
privatestringStripHtml(stringstrHtml) { RegexobjRegExp=newRegex("<(.|\n)+?>"); stringstrOutput=objRegExp.Replace(strHtml,""); strOutput=strOutput.Replace("<","<"); strOutput=strOutput.Replace(">",">"); returnstrOutput; }
有些例外会使得去除不干净,所以建议连续两次转化。这样将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 Regexr=newRegex(@"\s+"); wordsOnly=r.Replace(strResponse,""); wordsOnly.Trim();