如何抓取网页数据、分析并且去除Html标签C#(转载)

<@Aattention Content='本Blog原创文章，转载或引用请注明转载' From='Robby.cnblogs.com'@>

         由于自己的搜索引擎中做到了这一块内容，所以今天说说如何抓取网页数据、分析并且去除Html标签，给大家提供一个参考。我的平台是Visual Studio2005，C#。

—————————————————————割—————————————————————————

         首先将网页内容整个抓取下来，这个我就不说了，不是本次话题的重点。假设抓取的数据放在RecvBuffer这个byte[]中（数据从网络上传输过来时不是字符串的形式而是byte），那么我们的第一步就是将RecvBuffer转化为String，以便于对其操作，实例如下：

  // 将接收到的数据增加到响应字符串中
     strResponse += Encoding.ASCII.GetStringRecvBuffer, 0, nBytes;

         strResponse即是保存数据的字符串，此处用系统自带的System.Text.Encoding的方法转化 RecvBuffer，GetString的第一个参数RecvBuffer就是我们的原始数据，即包含需要解码的字节序列的字节数组；第二个参数0代表 第一个要解码的字节的索引，一般就从0开始；第三个参数nBytes为要解码的字节数，可以自己调整。

         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）。下面我以几个例子来说明对网页数据的解析：

  // 解析页面，查找链接
  // 此处尚需扩展，还有某些形式的链接不被识别
  string strRef = @'href|HREF|src|SRC|action|ACTION|Action[ ]*=[ ]*[''']['''#>]+[''']';
     MatchCollection matches = new RegexstrRef.MatchesstrResponse;
     strStatus += '找到: '+matches.Count+' 个链接rn';

         上面的例子将网页中的链接解析出来，strRef变量表示了正则表达式的模式，变量matches表示符合匹配的项目的集合，后面的 RegexstrRef.MatchesstrResponse就是创建正则规则使得strResponse里符合strRef模式的字符串都返回。然后 调用matches的变量就可以取得各种信息了。
         当然，这里只能识别一些基本的链接形式，像script中的链接和一些不带“”的链接都没有被支持，这个的扩展还是蛮简单的。
         再举几个更简单点的解析的例子，大家学习学习：

  //获取标题
     Match TitleMatch = Regex.MatchstrResponse, '<title>[<]*</title>', RegexOptions.IgnoreCase | RegexOptions.Multiline;
     title = TitleMatch.Groups[1].Value;

  //获取描述信息
     Match Desc = Regex.MatchstrResponse, '<Meta name='DESCRIPTION' content='[<]*'>', RegexOptions.IgnoreCase | RegexOptions.Multiline;
     strdesc = Desc.Groups[1].Value;

  //获取网页的大小
     size = strResponse.Length;

—————————————————————割—————————————————————————

         好了，下面说一下如何去除Html标签，这个想必有很多初学者很需要。其实还是正则表达式和字符串基本操作的应用，由于这个功能还是比较常用的，所以例子写成了函数，便于调用：

  /// <summary>
  /// 将Html标签转化为空格
  /// </summary>
  /// <param name='strHtml'>待转化的字符串</param>
  /// <returns>经过转化的字符串</returns>
  private string stripHtmlstring strHtml
  {
        Regex objRegExp = new Regex'<.|n+?>';
     string strOutput = objRegExp.ReplacestrHtml, '';
        strOutput = strOutput.Replace'<', '&lt;';
        strOutput = strOutput.Replace'>', '&gt;';
     return strOutput;
     }

         ok，这样一来Html标签就基本没了，但是有些例外会使得去除不干净，所以建议连续两次转化，这样就搞定了。但是还没结束，如果你留意的话，可以看到上 面的函数其实是将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
     Regex r = new Regex@'s+';
     wordsOnly = r.ReplacestrResponse, ' ';
     wordsOnly.Trim;

转自:

http://hi.baidu.com/zzcc_8/blog/item/d600befb7cc7df1f6d22ebd1.html