[转载]简单易用粗暴的文章内容采集程序 -【开源项目】 – 火地晋 – 博客园.
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。
————————————————
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
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
<a 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是采集程序
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
/// 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<string, string, string> OnWorkItemEnd;
创建对象
work.OnError += w_OnError;
work.OnWorkItemEnd += work_OnWorkItemEnd;
work.OnWorkEnd += work_OnWorkEnd;
定义内容处理
/// 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
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
相关推荐项目:
园友:心态要好推荐 http://blog.csdn.net/sq_zhuyi/article/details/7924776
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……
出处: http://yelaiju.cnblogs.com
本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接,否则保留追究法律责任的权利。