『壹』 怎么样使用HttpWebRequest和正则表达式提取网页中的链接
用HttpWebRequest和正则表达式提取网页中的链接
用HttpWebRequest取得网页源代码
Dim url As String=" http://www.sina.com "
Dim httpReq As System.Net.HttpWebRequest
Dim httpResp As System.Net.HttpWebResponse
Dim httpURL As New System.Uri(url)
httpReq = CType(WebRequest.Create(httpURL), HttpWebRequest)
httpReq.Method = "GET"
httpResp = CType(httpReq.GetResponse(), HttpWebResponse)
httpReq.KeepAlive = False \' 获取或设置一个值，该值指示是否与 Internet 资源建立持久连接。
Dim reader As StreamReader = _
New StreamReader(httpResp.GetResponseStream, System.Text.Encoding.GetEncoding("GB2312"))
Dim respHTML As String = reader.ReadToEnd() \'respHTML就是网页源代码
用正则表达式取得链接地址
Dim strRegex As String = "//([\\w-]+\\.)+[\\w-]+(/[\\w- ./?%&=]*)?" \'这就是表达式
Dim r As System.Text.RegularExpressions.Regex
Dim m As System.Text.RegularExpressions.MatchCollection
r = New System.Text.RegularExpressions.Regex(strRegex, System.Text.RegularExpressions.RegexOptions.IgnoreCase)
m = r.Matches(respHTML)
Dim i As Integer
For i = 0 To m.Count - 1
form1.DefInstance.ListBox1.Items.Add(m(i).Value) \'form1.DefInstance是form1的共享属性和实例
Next i
form1.DefInstance.ListBox.Visible = True \' 设置ListBox为可见
form1.DefInstance.ListBox.Sorted = True \' 对ListBox各元素进行排序
form1.DefInstance.ListBox1.Items.Add(m(i).Value) \'form1.DefInstance是form1的共享属性和实例, 共享成员如果是方法或属性，我们不用创建实例就可以直接用‘类名 .共享成员\'的方法进行调用。设置方法如下：
Private Shared m_vb6FormDefInstance As form1
Public Shared Property DefInstance() As form1
Get
If m_vb6FormDefInstance Is Nothing OrElse m_vb6FormDefInstance.IsDisposed Then \'判断窗体实例是否存在
m_vb6FormDefInstance = New form1
End If
DefInstance = m_vb6FormDefInstance
End Get
Set(ByVal Value As form1)
m_vb6FormDefInstance = Value
End Set
End Property
去除重复地址
Dim countForms As Integer \'以下代码去除重复地址
Dim lstForms() As String
Dim CurId As Integer
With formBrow.DefInstance.ListBox1
ReDim Preserve lstForms(0)
lstForms(0) = .Items(0) \'新数组的第一项和list的第一项相同
For countForms = 1 To .Items.Count - 1 \'items.count得到list1中的项目数
CurId = UBound(lstForms) \'curid为newlist中有项目数
If .Items(countForms) <> lstForms(CurId) Then \'如果旧表第二项不等于新表最大项
ReDim Preserve lstForms(CurId + 1) \'定位到新表第二项
lstForms(CurId + 1) = .Items(countForms) \'新表第二项等于旧表第二项
End If
Next countForms
.Items.Clear() \'删除旧表所有项
For countForms = 0 To UBound(lstForms) \'把新表写入旧表
.Items.Add(lstForms(countForms))
Next countForms
End With
把地址导出为XML
可扩展标记语言 (XML) 是一种提供数据描述格式的标记语言。该语言使跨越多个平台进行更准确的内容声明和获得更有意义的搜索结果变得更加容易。此外，XML 实现了表示与数据的分离。例如，在 HTML 中，使用标记来告诉浏览器将数据显示为粗体或斜体；而在 XML 中，标记只用于描述数据，例如城市名、温度和大气压。在 XML 中，使用样式表（例如，可扩展样式表语言 (XSL) 和层叠样式表 (CSS)）在浏览器中显示数据。XML 使数据与表示及处理分离开来，通过应用不同的样式表和应用程序，使您能够根据需要显示和处理数据。
XmlTextWriter 是 XmlWriter 类的实现，该类提供将 XML 写入文件、流或 TextWriter 的 API。该类有许多验证和检查规则，以确保所编写的 XML 的格式正确。当与某些规则发生冲突时，将会引发异常，并且这些异常应该被捕获。XmlTextWriter 有不同的构造函数，每个函数指定写入 XML 数据的不同类型的位置。下面代码使用的是将 XML 写入文件的构造函数。
首先使用 Formatting 属性指定正被编写的 XML 数据的格式。通过将此属性设置为 Indented，编写器使用 Indentation 和 IndentChar 属性缩进子元素。
代码显示了与每个 XML 节点类型相对应的 XML 编写方法。例如，编写一个元素将调用 WriteElementString 方法，编写一个属性将调用 WriteAttributeString 方法。对于嵌套级别，可以使用 WriteStartElement/WriteEndElement 对；如果要创建较复杂的属性，则可以使用 WriteStartAttribute/WriteEndAttribute 对。
请注意代码如何使用 WriteStartDocument 方法编写带版本号“1.0”的 XML 声明。如果要让编写器检查该文档的格式是否正确（先是 XML 声明，序言中的 DOCTYPE，只有一个根级别元素，等等），您必须在调用任何其他编写方法之前，调用此可选的 WriteStartDocument 方法。接着，此代码调用 WriteDocType 方法编写名为“urls”的文档类型。WriteDocType 调用中的第三个参数指定编写器将编写 SYSTEM“urls.dtd”。编写完成后，XML 文件指示有一个要根据其进行验证的外部 DTD。
最后，代码调用 Flush 方法将 XML 数据保存到文件，然后才调用 Close 方法。（虽然此示例确实只需要 Close 方法，但是也存在这样的情况，即需要保存所生成的 XML，并且需要重复使用编写器。）
要检查 XmlTextWriter 的输出，可通过用 XmlTextReader 读取生成的文件来执行往返测试，以验证 XML 的格式是正确的。
Private Sub saveXml()
Dim saveFileDialog1 As New SaveFileDialog
saveFileDialog1.Filter = "xml|*.xml"
saveFileDialog1.Title = "Save a xml File"
saveFileDialog1.ShowDialog()
If saveFileDialog1.FileName <> "" Then\'如果文件名不等于空白
Dim fileName As String = saveFileDialog1.FileName
If Not System.IO.File.Exists(fileName) Then \'如果不存在同名文件
Dim myXmlTextWriter As XmlTextWriter = New XmlTextWriter(fileName, Nothing)
myXmlTextWriter.Formatting = System.Xml.Formatting.Indented\'设置缩进
myXmlTextWriter.WriteStartDocument(False)
myXmlTextWriter.WriteDocType("urls", Nothing, "urls.dtd", Nothing)
myXmlTextWriter.WriteComment("This file save the Urls")\'注释
myXmlTextWriter.WriteStartElement("urls")\'开始元素
myXmlTextWriter.WriteStartElement("url1", Nothing)\'开始元素
myXmlTextWriter.WriteAttributeString("now", Now)\'在属性里记录时间
For countAll As Integer = 0 To ListBox1.Items.Count - 1
Dim title As String = Strings.Right(ListBox1.Items.Item(countAll), 3)\'取URL后三字
Dim body As String = lstMuLu.Items.Item(countAll)
myXmlTextWriter.WriteElementString(title, Nothing, body)
Next
myXmlTextWriter.WriteEndElement()
myXmlTextWriter.WriteEndElement()
\'Write the XML to file and close the myXmlTextWriter
myXmlTextWriter.Flush()
myXmlTextWriter.Close()
End If
End If
End Sub
『贰』 如何用Java正则表达式提取html中所有的文本和超链接，然后分别存入txt文件和数据库中
您好，您这样：提取链接的标签文本和url地址
将Html文件代码传入string参数s，代码如下：
private void Reg_A_Href(string s)
{
string str = s;
Regex re = new Regex(@"<a[^>]+href=\s*(?:'(?<href>[^']+)'|""(?<href>[^""]+)""|(?<href>[^>\s]+))\s*[^>]*>(?<text>.*?)</a>", RegexOptions.IgnoreCase | RegexOptions.Singleline);
MatchCollection mc = re.Matches(str);
Console.WriteLine(mc.Count);
foreach (Match m in mc)
{
info_Add("[href] " + m.Groups["href"].Value);
info_Add("[text] " + m.Groups["text"].Value);
Console.WriteLine("{0}:{1}", m.Groups["href"].Value, m.Groups["text"].Value);
}
}