思路:
1、抓取遠程網頁源碼,這裏要實現自動判斷網頁編碼,否則有可能抓到亂碼。我是先看應答的 http頭的chareset,一般這個很準,但像csdn的新聞比較變態http應答的頭裏的chareset和網頁的meta裏聲明的 chareset不一致,所以我手工加了一下判斷,如果不一致再在內存流裏用網頁聲明的編碼讀取一遍源碼
2、把網頁分割成幾大塊。試用了一下tidy的.net包裝及HtmlParse的.net版本,都不太好用。於是我自己寫了個算法,可以把網頁裏的div塊,td塊等都提取出來,支持嵌套的情況。一般只提取div的文字塊兒就行了。
3、把漢字少於200的文本塊去了,一般少於200字的文本塊不會是正文,即便是正文,一般來說也不會有太多的價值,我直接去掉。
4、 因爲div支持嵌套,所以剩下的文本塊,有可能是重複的,一個是另一個的父節點,所以要把最裏層的文本塊找出來,最裏層的文本塊肯定是漢字最多的,而其它 文本最少的,所以要計算出剩餘文本塊中漢字佔所有字符比例最高的文本塊,基本上它就是正文的文本塊了。當然有的網頁正文裏也可能還有div的文本塊,這時 候可能會判斷錯誤,但只要正文嵌套的Div文本塊的漢字少於200字,我的算法還是能準確提取正文文本塊的。這一步我用寫了一個自定義的方法傳遞給 List的Sort方法。
5、把<p><br>等標籤替換成特殊佔位符[p][br]等,因爲最終的正文需要保留段落和回車換行等格式。這一步用正則實現。
6、把最後剩下的文本塊的html標籤去掉,我用正則過濾的。
7、把[p]替換成回車換行加倆空格,把[br]替換成回車換行,這步也用正則。到此,正文提取完畢
1、抓取遠程網頁源碼,這裏要實現自動判斷網頁編碼,否則有可能抓到亂碼。我是先看應答的 http頭的chareset,一般這個很準,但像csdn的新聞比較變態http應答的頭裏的chareset和網頁的meta裏聲明的 chareset不一致,所以我手工加了一下判斷,如果不一致再在內存流裏用網頁聲明的編碼讀取一遍源碼
2、把網頁分割成幾大塊。試用了一下tidy的.net包裝及HtmlParse的.net版本,都不太好用。於是我自己寫了個算法,可以把網頁裏的div塊,td塊等都提取出來,支持嵌套的情況。一般只提取div的文字塊兒就行了。
3、把漢字少於200的文本塊去了,一般少於200字的文本塊不會是正文,即便是正文,一般來說也不會有太多的價值,我直接去掉。
4、 因爲div支持嵌套,所以剩下的文本塊,有可能是重複的,一個是另一個的父節點,所以要把最裏層的文本塊找出來,最裏層的文本塊肯定是漢字最多的,而其它 文本最少的,所以要計算出剩餘文本塊中漢字佔所有字符比例最高的文本塊,基本上它就是正文的文本塊了。當然有的網頁正文裏也可能還有div的文本塊,這時 候可能會判斷錯誤,但只要正文嵌套的Div文本塊的漢字少於200字,我的算法還是能準確提取正文文本塊的。這一步我用寫了一個自定義的方法傳遞給 List的Sort方法。
5、把<p><br>等標籤替換成特殊佔位符[p][br]等,因爲最終的正文需要保留段落和回車換行等格式。這一步用正則實現。
6、把最後剩下的文本塊的html標籤去掉,我用正則過濾的。
7、把[p]替換成回車換行加倆空格,把[br]替換成回車換行,這步也用正則。到此,正文提取完畢
主要代碼:
public class GetMainContentHelper
{
///<summary>
/// 判斷兩段兒文本里哪個中文佔的比例高
///</summary>
///<param name="x"></param>
///<param name="y"></param>
///<returns></returns>
public static int CompareDinosByChineseLength(string x, string y)
{
if (x == null)
{
if (y == null)
{
return 0;
}
else
{
return -1;
}
}
else
{
if (y == null)
{
return 1;
}
else
{
Regex r = new Regex("[\u4e00-\u9fa5]");
float xCount = (float)(r.Matches(x).Count) / (float)x.Length;
float yCount = (float)(r.Matches(y).Count) / (float)y.Length;
int retval = xCount.CompareTo(yCount);
if (retval != 0)
{
return retval;
}
else
{
return x.CompareTo(y);
}
}
}
}
///<summary>
/// 獲取一個網頁源碼中的標籤列表,支持嵌套,一般或去div,td等容器
///</summary>
///<param name="input"></param>
///<param name="tag"></param>
///<returns></returns>
public static List<string> GetTags(string input, string tag)
{
StringReader strReader = new StringReader(input);
int lowerThanCharCounter = 0;
int lowerThanCharPos = 0;
Stack<int> tagPos = new Stack<int>();
List<string> taglist = new List<string>();
int i = 0;
while (true)
{
try
{
int intCharacter = strReader.Read();
if (intCharacter == -1) break;
char convertedCharacter = Convert.ToChar(intCharacter);
if (lowerThanCharCounter > 0)
{
if (convertedCharacter == '>')
{
lowerThanCharCounter--;
string biaoqian = input.Substring(lowerThanCharPos, i - lowerThanCharPos + 1);
if (biaoqian.StartsWith(string.Format("<{0}", tag)))
{
tagPos.Push(lowerThanCharPos);
}
if (biaoqian.StartsWith(string.Format("</{0}", tag)))
{
if (tagPos.Count < 1)
continue;
int tempTagPos = tagPos.Pop();
string strdiv = input.Substring(tempTagPos, i - tempTagPos + 1);
taglist.Add(strdiv);
}
}
}
if (convertedCharacter == '<')
{
lowerThanCharCounter++;
lowerThanCharPos = i;
}
}
finally
{
i++;
}
}
return taglist;
}
///<summary>
/// 獲取指定網頁的源碼,支持編碼自動識別
///</summary>
///<param name="url"></param>
///<returns></returns>
public static string getDataFromUrl(string url)
{
string str = string.Empty;
HttpWebRequest request = (HttpWebRequest)HttpWebRequest.Create(url);
//設置http頭
request.AllowAutoRedirect = true;
request.AllowWriteStreamBuffering = true;
request.Referer = "";
request.Timeout = 10 * 1000;
request.UserAgent = "";
HttpWebResponse response = null;
try
{
response = (HttpWebResponse)request.GetResponse();
if (response.StatusCode == HttpStatusCode.OK)
{
//根據http應答的http頭來判斷編碼
string characterSet = response.CharacterSet;
Encoding encode;
if (characterSet != "")
{
if (characterSet == "ISO-8859-1")
{
characterSet = "gb2312";
}
encode = Encoding.GetEncoding(characterSet);
}
else
{
encode = Encoding.Default;
}
//聲明一個內存流來保存http應答流
Stream receiveStream = response.GetResponseStream();
MemoryStream mStream = new MemoryStream();
byte[] bf = new byte[255];
int count = receiveStream.Read(bf, 0, 255);
while (count > 0)
{
mStream.Write(bf, 0, count);
count = receiveStream.Read(bf, 0, 255);
}
receiveStream.Close();
mStream.Seek(0, SeekOrigin.Begin);
//從內存流裏讀取字符串
StreamReader reader = new StreamReader(mStream, encode);
char[] buffer = new char[1024];
count = reader.Read(buffer, 0, 1024);
while (count > 0)
{
str += new String(buffer, 0, count);
count = reader.Read(buffer, 0, 1024);
}
//從解析出的字符串裏判斷charset,如果和http應答的編碼不一直
//那麼以頁面聲明的爲準,再次從內存流裏重新讀取文本
Regex reg =
new Regex(@"<meta[\s\S]+?charset=(.*)""[\s\S]+?>",
RegexOptions.Multiline | RegexOptions.IgnoreCase);
MatchCollection mc = reg.Matches(str);
if (mc.Count > 0)
{
string tempCharSet = mc[0].Result("$1");
if (string.Compare(tempCharSet, characterSet, true) != 0)
{
encode = Encoding.GetEncoding(tempCharSet);
str = string.Empty;
mStream.Seek(0, SeekOrigin.Begin);
reader = new StreamReader(mStream, encode);
buffer = new char[255];
count = reader.Read(buffer, 0, 255);
while (count > 0)
{
str += new String(buffer, 0, count);
count = reader.Read(buffer, 0, 255);
}
}
}
reader.Close();
mStream.Close();
}
}
catch (Exception ex)
{
Trace.TraceError(ex.ToString());
}
finally
{
if (response != null)
response.Close();
}
return str;
}
///<summary>
/// 從一段網頁源碼中獲取正文
///</summary>
///<param name="input"></param>
///<returns></returns>
public static string GetMainContent(string input)
{
string reg1 = @"<(p|br)[^<]*>";
string reg2 =
@"(\[([^=]*)(=[^\]]*)?\][\s\S]*?\[/\1\])|(?<lj>(?=[^\u4E00-\u9FA5\uFE30-\uFFA0,."");])<a\s+[^>]*>[^<]{2,}</a>(?=[^\u4E00-\u9FA5\uFE30-\uFFA0,."");]))|(?<Style><style[\s\S]+?/style>)|(?<select><select[\s\S]+?/select>)|(?<Script><script[\s\S]*?/script>)|(?<Explein><\!\-\-[\s\S]*?\-\->)|(?<li><li(\s+[^>]+)?>[\s\S]*?/li>)|(?<Html></?\s*[^> ]+(\s*[^=>]+?=['""]?[^""']+?['""]?)*?[^\[<]*>)|(?<Other>&[a-zA-Z]+;)|(?<Other2>\#[a-z0-9]{6})|(?<Space>\s+)|(\&\#\d+\;)";
//1、獲取網頁的所有div標籤
List<string> list = GetTags(input, "div");
//2、去除漢字少於200字的div
List<string> needToRemove = new List<string>();
foreach (string s in list)
{
Regex r = new Regex("[\u4e00-\u9fa5]");
if (r.Matches(s).Count < 300)
{
needToRemove.Add(s);
}
}
foreach (string s in needToRemove)
{
list.Remove(s);
}
//3、把剩下的div按漢字比例多少倒序排列,
list.Sort(CompareDinosByChineseLength);
if (list.Count < 1)
{
return "";
}
input = list[list.Count - 1];
//4、把p和br替換成特殊的佔位符[p][br]
input = new Regex(reg1, RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(input, "[$1]");
//5、去掉HTML標籤,保留漢字
input = new Regex(reg2, RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(input, "");
//6、把特殊佔維護替換成回車和換行
input = new Regex("\\[p]", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(input, "\r\n ");
input = new Regex("\\[br]", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(input, "\r\n");
return input;
}
}