简单易用粗暴的文章内容采集程序 -【开源项目】_.NET_编程开发_程序员俱乐部

中国优秀的程序员网站程序员频道CXYCLUB技术地图
热搜:
更多>>
 
您所在的位置: 程序员俱乐部 > 编程开发 > .NET > 简单易用粗暴的文章内容采集程序 -【开源项目】

简单易用粗暴的文章内容采集程序 -【开源项目】

 2013/7/10 22:14:54  火地晋  博客园  我要评论(0)
  • 摘要:更新:通过一些朋友的回复,了解到,可能文章太长了,有朋友只是简略浏览,所以还没有明白程序工作流程。简单介绍,这个程序是给程序员用的,使用这个软件,必须是会写正则的朋友,或者是有朋友帮忙写正则。这个程序不是针对某个网站或者网页而写的,而是一个“采集框架”——说是框架,有点大了。但是核心的一点就是,只要会写正则,几分钟就可以针对一个采集目标,编写一个采集规则。只需要4(3)个正则,就可以完成任务。列表网址、页面标题、页面内容、页面链接
  • 标签:程序 项目 内容 文章 采集程序 开源 开源项目

更新:通过一些朋友的回复,了解到,可能文章太长了,有朋友只是简略浏览,所以还没有明白程序工作流程。

简单介绍,这个程序是给程序员用的,使用这个软件,必须是会写正则的朋友,或者是有朋友帮忙写正则。

这个程序不是针对某个网站或者网页而写的,而是一个“采集框架 ”——说是框架,有点大了。

但是核心的一点就是,只要会写正则,几分钟就可以针对一个采集目标,编写一个采集规则。

只需要4(3)个正则,就可以完成任务。

列表网址、页面标题、页面内容、页面链接

 

如果是逐页采集模式,列表网址的正则可以忽略。

 ------------------------------------------------

前言

爱学习、爱使用移动设备阅读电子书的朋友,不能不拥有一款属于自己的采集利器。

而使用此程序即可以简单轻松的实现采集任务。

采集效果图

程序介绍

 在程序运行子目录 Config 是程序的配置的保存目录。

path.txt

[config]

Config\HtmlFormatConfig.xml

[task]

Config\task\

config 设置采集内容格式化的配置保存路径

task 设置任务工作规则保存和加载路径

 

采集工作窗体

起始网址

采集开始的网址,如果是逐页的模式,则是第一页的地址;

如果是列表的模式,则是第一个列表页面的地址。

列表网址

匹配下一个列表页面地址的正则表达式

在逐页模式下,不用填写。

 

页面标题

匹配页面标题的正则表达式

页面内容

匹配页面内容的正则表达式

页面链接

匹配内容页面链接的正则表达式

在逐页模式,采集到一个内容页面之后,可以匹配到下一个页面链接。

在列表模式,采集到一个列表页面之后,就可以匹配到若干个页面链接。

分页标识

识别是否为分页标题的匹配正则表达式

首页标识

第一页的标识,比如标题【科技业的员工到底有多年轻 1)】,那么标识可以是(1)

保存路径

采集内容的保存目录

分页处理

是指采集的文章资料是进行了分页的,那么程序会根据设定的规则,判断是否是分页章节,如果是,则不重复添加标题。

比如

科技业的员工到底有多年轻 1

科技业的员工到底有多年轻 2

科技业的员工到底有多年轻 3

那么采集过程中,只会写入一个标题【科技业的员工到底有多年轻】

保存为一个文件

如果勾选,则采集到的所有内容都写入到一个文件中

开始

开始采集并将内容保存

测试

在消息框显示采集的效果

格式化设置窗体

左边是匹配到的字符,后边是表示要替换成的字符。

程序运行时,会将第二行(如果有两行)的字符拷贝一份转换为大写组合在一起,进行格式化。

换行标签、空白标签、缩进标签

可以输入包含正则在内的字符进行匹配

章节标题

{0}表示采集的序号(采集一个地址则加1),{1}表示采集到的标题。

辅助功能

可以将输入的字符进行大小写转换

 

编写新规则

编写采集规则需要有一定的正则表达式的知识,如果不了解阅读这个页面:(正则表达式30分钟入门教程)http://deerchao.net/tutorials/regex/regex.htm

 

任务是以xml文件的形式保存,文件名命名格式是:任务名称 - 网站名称.xml

在任何一个任务状态下,只需要修改任务名称,或者网站名称,再点击保存任务,即可新建一个任务。

如果名称一样会提示是否覆盖。

 

这里以博客园新闻为例

博客园新闻是一个列表式的采集任务——在一个页面可以匹配得到若干个页面地址

http://news.cnblogs.com/

使用firebug或者其它前端调试工具,可以轻松得到采集特征

比如下图

 


 

点击红框【点击查看页面中的元素】然后在页面的【创业公司如何评估度量公司潜力的方法】位置点下。

就可以定位到html代码

这样就可以获取到内容页面的链接特征


<h2 class="news_entry">
<target="_blank" href="/n/182026/">创业公司如何估值 — 度量公司潜力的方法</a>
</h2>

然后需要观察这个标识是不是唯一特征的,也就是这个特征匹配到的都是自己期望中的内容。否则就需要增加更多的限制特征。

 

将特征编写为匹配的正则表达式

 

源码说明

解决方案有3个项目组成

Forms是视窗程序

Framework采集程序

Helper是辅助程序

 

由于考虑到以后会增加不同的采集任务,因此采用MDI窗体。

Config目录是默认配置

FrmFormatConfig是内容格式化配置窗体

FrmGatherWorker是采集工作窗体

MDIParentMain是窗体容器

Config是内容格式化配置实体类

Task是采集任务规则实体类

Worker是采集工作类

 

 

Worker采集工作类说明

先看看3个主要事件

/// <summary>
/// 错误触发事件,传入参数 引发的异常对象、错误的类型、当前工作的网址
/// </summary>
public event Action<Exception, ErrorType, string> OnError;

/// <summary>
/// 工作结束触发事件
/// </summary>
public event Action OnWorkEnd;

/// <summary>
/// 一次/地址采集完成触发事件,传入参数 采集内容的标题、内容、网址
/// </summary>
public event Action<stringstringstring> OnWorkItemEnd;

 

创建对象

  Worker work = new Worker(_httpRequest, _config, _task);
work.OnError += w_OnError;
work.OnWorkItemEnd += work_OnWorkItemEnd;
work.OnWorkEnd += work_OnWorkEnd;

定义内容处理

/// <summary>
/// 一次(个网址)采集完成后,执行内容写入文件操作
/// </summary>
private void work_OnWorkItemEnd(string curWebTitle, string curWebContent, string curUrl)
{
    //将采集到的内容写入到文件流中
    byte[] byteWebContent = Encoding.UTF8.GetBytes(curWebContent);
    if (_task.IsSaveOnlyFile)
    {
        //如果当前内容标题为空,则可能分页
        if (!string.IsNullOrEmpty(curWebTitle))
        {
            byte[] byteWebTitle = Encoding.UTF8.GetBytes(curWebTitle);
            _curSavaFile.Write(byteWebTitle, 0, byteWebTitle.Length);
        }
        _curSavaFile.Write(byteWebContent, 0, byteWebContent.Length);
    }
    else
    {
        using (FileStream curSavaFile2 = new FileStream("{0}{1}.txt".FormatWith(_task.SavePath, curWebTitle), FileMode.OpenOrCreate, FileAccess.ReadWrite))
        {
            curSavaFile2.Write(byteWebContent, 0, byteWebContent.Length);
        }
    }
    UpdateWorkMessage("\n已采集:{0},网址:{1}".FormatWith(curWebTitle, curUrl));
    Application.DoEvents();
}

 

其它更多,请下载源码查看

其它

运行程序下载:http://files.cnblogs.com/yelaiju/NWebGather.rar

.net framework 4.0微软官网下载 http://www.microsoft.com/zh-cn/download/details.aspx?id=17718 

源码下载:http://files.cnblogs.com/yelaiju/NWebGather-src.rar

 

开源地址:https://github.com/alifellod/NWebGather

不了解github下载源码的方式,请看文章:http://www.cnblogs.com/yelaiju/p/3180986.html

正则词典(手册)http://www.cnblogs.com/yelaiju/p/3182854.html

 

各位朋友对采集有兴趣,可以一起维护和贡献代码,如此大家都可以轻松的共享同一个采集框架。

 

QQ群:9524888

欢迎大家入群交流共享采集任务规则,讨论技术,讨论人生……

发表评论
用户名: 匿名