Kratos

A responsible theme for WordPress

关于邮箱采集的编程思路

最近想写一个邮箱地址采集软件,但是寡人只会VB,效率太低,而且不能用正则表达式,于是转向.net
无奈实在没怎么看过这方面的类型,于是找了篇文章参考下

用HttpWebRequest和正则表达式提取网页中的链接
提取网页链接有什么用?比如,你可以做网页地址搜集器,邮件地址搜集器,图片或Flash搜集器等等。如何用最高效快捷的方式提取网页中的链接地址,这正是本文所要探讨的。

提 取网页链接地址有多种方式。在VS.NET开发环境下,总的是通过两种方式:

一.用AxWebBrowser控件。等网页加载完,然后提取其中的链接。

二.不用AxWebBrowser控件的方式,先取得网页源代码,然后提取其中的链接。

本人早先是用第一种方式,第一种方式要先等网页加载完毕,浏览器会下载许多无关的内容,速度较慢。因此,推荐用本文介绍的方式,用HttpWebRequest结合正则表达式取得网页中的链接。

本文分以下几个步骤:

用HttpWebRequest取得网页源代码

用正则表达式取得链接地址

去除重复地址

保存为XML

用HttpWebRequest取得网页源代码

Dim url As String=” http://blog.xmaro.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

是不是很简单?

对于概念的理解,在MSDN中有极详细的介绍,请在VS.NET

2003中点击“帮助”,再点击“搜索”,然后输入类名,如HttpWebRequest,一回车,就什么资料都有了。对于下面碰到的编程概念,如有不理解的,也请先搜索MSDN,不再重复说明。

用正则表达式取得链接地址

Dim strRegex As String = “http://([\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,tuenhai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

.Ite ms.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。

XML 是为在 Web 上传送而进行优化了的 SGML 的子集。它是由万维网联合会 (W3C)

定义的。该标准化确保了结构化数据的统一性和相对于应用或供应商的独立性。

XML 是 Visual Studio .NET 和 .NET Framework 的很多功能的核心。XML

是可用于许多不同应用程序的格式,tuenhai们可将搜集到的链接保存为XML。

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

以《用正则表达式取得链接地址》为例,只要灵活改变strRegex表达式的值,tuenhai们可以从网页源代码中任意提取tuenhai们想要的东东。如果你要开发邮件地址搜集器,strRegex= ” [\w-][email protected]([\w-]+\.)+[\w-]+ ” 即可。如果要搜集Flash呢?

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注