数据采集程序(网页小偷)点滴心得

核心提示：所谓的数据采集程序也就是网页小偷程序(大家别骂我哦),写完了来这里发点东西,希望大家有何高见共同研究.1.在下载数据的开始,有些网站是要登录了才能看到相应的数据,这个就需要我们发送登录用户名和密码了,但我是登录了,但他服务器也不是垃圾,在他那里重定向了,共产生了2个session,这第2个SESSION我就不知道如何捕

所谓的数据采集程序也就是网页小偷程序(大家别骂我哦),写完了来这里发点东西,希望大家有何高见共同研究.

1.在下载数据的开始,有些网站是要登录了才能看到相应的数据,这个就需要我们发送登录用户名和密码了,但我是登录了,但他服务器也不是垃圾,在他那里重定向了,共产生了2个session,这第2个SESSION我就不知道如何捕抓.于是我就投机^-^,用软件将SESSION捕抓下来了1个叫Ethereal的软件,用以下代码加入到HTTP请求的头部
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");
这样就欺骗了服务器了,哈哈

2.第二部就是代码下载
byte[] myDataBuffer = myWebClient.DownloadData(remoteUri);
 download = Encoding.Default.GetString(myDataBuffer);

3.第3部就是数据的匹配了,我是将流读取到数据里,然后用IndexOf得到2个关键字段的位置,然后用Substring取出来的,我知道这很笨,但用正则表达式难啊(谁会的指点我下),匹配完了得到的字符串我就用以下的函数去掉了HTML代码:
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.到了后面就是入库了,这个大家都懂了吧.但是我还有点问题就是,在我写数据的时候,出了EXCEPTION,说我的字段太长了,不能写进到数据库,我用的是access,我试验下用SQL吧.

5.大家有什么好的建议给我留个言赛.共同进步嘛.

出处：http://jetadv.cnblogs.com/archive/2006/02/18/333213.html