你的位置:首页 > ASP.net教程

[ASP.net教程]C#写爬虫,版本V1.0


    之前看了Sql Server中的基本数据类型,发现image这个类型还是比较特殊的。

于是乎就做了一个将图片以二进制流形式存储的程序http://www.cnblogs.com/JsonZhangAA/p/5568575.html,现在如果我想批量ed存储网上一个网站的图片,难道我要手写n多地址吗?显然这是不可取的,针对这种情况,就用C#写了一个简单的爬虫,我们所爬的对象是天文网http://www.tianwenwang.cn/

 

程序的原理是利用WebRequest和WebResponse来相应网站(不懂,只能这样说0.0),而后利用StreamWrite将网站的源文件存储到txt文本文件中,这是我们可以发现一个

现象,图片地址都是类似于http://p.tianwenwang.cn/upload/150318/68181426648163.jpg!list.jpg,http://p.tianwenwang.cn/upload/150312/58341426094069.jpg!list.jpg这种的,于是可以利用正则表达式来将里面的http:全部取出,放到一个字符串数组中,最后就是判断地址时候包含典型的jpg,gif等图片类型后缀了(V1.0最大的缺陷),如果包含就将其存储到数据库中。

后台代码如下:

using System;using System.Collections.Generic;using System.ComponentModel;using System.Data;using System.Drawing;using System.IO;using System.Linq;using System.Net;using System.Text;using System.Text.RegularExpressions;using System.Threading.Tasks;using System.Windows.Forms;namespace 网络爬虫{  public partial class Form1 : Form  {    private static string[] getLinks(string html)    {      const string pattern = @"http://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?";      Regex r = new Regex(pattern, RegexOptions.IgnoreCase); //新建正则模式      MatchCollection m = r.Matches(html); //获得匹配结果      string[] links = new string[m.Count];      for (int i = 0; i < m.Count; i++)      {        links[i] = m[i].ToString(); //提取出结果      }      return links;    }    private static bool isValiable(string url)    {      if (url.Contains(".jpg") || url.Contains(".gif")||url.Contains(".png"))      {        return true; //得到一些图片之类的资源      }      return false;    }    private static void savePicture(string path)    {      DataClasses1DataContext db = new DataClasses1DataContext();      Uri url = new Uri(path);      WebRequest webRequest = WebRequest.Create(url);      WebResponse webResponse = webRequest.GetResponse();            if (isValiable(path))//判断如果是图片,就将其存储到数据库中。      {        Bitmap myImage = new Bitmap(webResponse.GetResponseStream());        MemoryStream ms = new MemoryStream();        myImage.Save(ms, System.Drawing.Imaging.ImageFormat.Jpeg);        var p = new pictureUrl        {          pictureUrl1 = ms.ToArray()        };        db.pictureUrl.InsertOnSubmit(p);        db.SubmitChanges();      }    }    public Form1()    {      InitializeComponent();    }    private void button1_Click(object sender, EventArgs e)    {      string rl;      string path = this.textBox1.Text;      Uri url = new Uri(path);      WebRequest webRequest = WebRequest.Create(url);      WebResponse webResponse = webRequest.GetResponse();      Stream resStream = webResponse.GetResponseStream();      StreamReader sr = new StreamReader(resStream, Encoding.UTF8);      StringBuilder sb = new StringBuilder();      while ((rl = sr.ReadLine()) != null)      {        sb.Append(rl);      }      FileStream aFile = new FileStream("../../txt.txt", FileMode.OpenOrCreate);      StreamWriter sw = new StreamWriter(aFile);//将网页存储到了txt文本文件中      sw.WriteLine(sb.ToString());      sw.Close();      string[] s;      s = getLinks(sb.ToString());      int i = 0;      foreach (string sl in s)      {        i++;        savePicture(sl);      }    }  }}

本版本只能对类似于天文网的这类网站进行爬虫,我会后续升级爬虫,争取做出一个通用的爬虫O(∩_∩)O~!