求教网页抓取时的正则匹配？

Question

我想抓取网页，并且提取其中的英文词语，我找到了相关程序，但正则匹配的不好，大家能帮我看看嘛？
{
    class Program
    {
        static void Main(string[] args)
        {
            byte[] buffer = getBytes("http://video.shishicai.cn/haoma/cqssc/list/120.aspx", null, null);
            string html = Encoding.UTF8.GetString(buffer);
            MatchCollection mc = Regex.Matches(html, @"{"(?(([a-z]|[A-Z])+(\d))"}");
           
            
            Console.WriteLine(mc);
          
            Console.WriteLine("Close！");
            Console.ReadKey();        }        // 读取网络资源，返回字节数组
        private static byte[] getBytes(string url, CookieContainer cookie, byte[] postData)
        {
            int c = url.IndexOf("/", 10);
            byte[] data = null;
            HttpWebRequest request = (HttpWebRequest)WebRequest.Create(url);
            request.AllowAutoRedirect = true;
            if (cookie != null) request.CookieContainer = cookie;
            request.Referer = (c > 0 ? url.Substring(0, c) : url);
            request.UserAgent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)";
            request.Headers[HttpRequestHeader.AcceptEncoding] = "gzip, deflate";

Answer 1

System.Text.RegularExpressions.Regex.Match(string,@"[A-Za-z]{300}");
试下这个.

Answer 2

我在公司，打不开那个网页按你的需求，应该是先获取网页源代码，然后过滤掉html标签，当然，也可以同时过滤掉非英文单词，剩下的英文取前300个就行了取网页源代码
        private string GetHtmlCode(string url, Encoding encoding)
        {
            System.Net.HttpWebRequest request = (System.Net.HttpWebRequest)System.Net.WebRequest.Create(url);
            request.UserAgent = "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022)";
            request.Method = "Get";
            System.Net.WebResponse response = request.GetResponse();
            System.IO.Stream resStream = response.GetResponseStream();
            System.IO.StreamReader sr = new System.IO.StreamReader(resStream, encoding);
            string html = (sr.ReadToEnd());
            resStream.Close();
            sr.Close();
            return html;
        }过滤html标签，当然，视情况，如果网页中有脚本会稍复杂点
Regex reg = new Regex(@"<[^>]*>");
string result = reg.Replace(yourStr, "");或者可以利用webBrowser直接取得页面文字再过滤非英文后提取

Answer 3

webclient等抓取页面内容
过滤HTML,Regex.Replace("",@"<[^>]*>","")，或Regex.Replace("",@"[\u4e00-\u9fa5]+",""); 替换中文

Answer 4

谢谢您，你的代码我不知道如何用，如果您有时间还是请你帮我看看我的这段代码有什么问题，我试过了，不过程序没有任何反应，没有结果输出，您看看这是什么问题：
using System;
using System.Text.RegularExpressions;
using System.IO;
using System.Text;using System.Net;
using System.IO.Compression;
using System.Web;
using System.Collections;namespace 控制台测试
{
    class Program
    {
        static void Main(string[] args)
        {
            byte[] buffer = getBytes("http://www.imqq.com/", null, null);
            string html = Encoding.UTF8.GetString(buffer);
            Regex rx = new Regex(@"[A-Za-z]{300}");
            MatchCollection mc = rx.Matches(html);            foreach (Match m in mc)
              {
                 string word = m.Groups["word"].Value;
                 int index = m.Index;
                  Console.WriteLine("produce", word, index);
               }
        
        }        // 读取网络资源，返回字节数组
        private static byte[] getBytes(string url, CookieContainer cookie, byte[] postData)
        {
            int c = url.IndexOf("/", 10);
            byte[] data = null;
            HttpWebRequest request = (HttpWebRequest)WebRequest.Create(url);
            request.AllowAutoRedirect = true;
            if (cookie != null) request.CookieContainer = cookie;
            request.Referer = (c > 0 ? url.Substring(0, c) : url);
            request.UserAgent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)";
            request.Headers[HttpRequestHeader.AcceptEncoding] = "gzip, deflate";            if (postData != null)                                           // 需要 Post 数据
            {
                request.Method = "POST";
                request.ContentType = "application/x-www-form-urlencoded";
                request.ContentLength = postData.Length;
                Stream requestStream = request.GetRequestStream();
                requestStream.Write(postData, 0, postData.Length);
                requestStream.Close();
            }            HttpWebResponse response = (HttpWebResponse)request.GetResponse();
            string ce = response.Headers[HttpResponseHeader.ContentEncoding];
            int ContentLength = (int)response.ContentLength;
            Stream s = response.GetResponseStream();
            c = 1024 * 10;
            if (ContentLength < 0)                                          // 不能获取数据的长度
            {
                data = new byte[c];
                MemoryStream ms = new MemoryStream();
                int l = s.Read(data, 0, c);
                while (l > 0)
                {
                    ms.Write(data, 0, l);
                    l = s.Read(data, 0, c);
                }
                data = ms.ToArray();
                ms.Close();
            }
            else                                                            // 数据长度已知
            {
                data = new byte[ContentLength];
                int pos = 0;
                while (ContentLength > 0)
                {
                    int l = s.Read(data, pos, ContentLength);
                    pos += l;
                    ContentLength -= l;
                }
            }
            s.Close();
            response.Close();            if (ce == "gzip")                                               // 若数据是压缩格式，则要进行解压
            {
                MemoryStream js = new MemoryStream();                       // 解压后的流   
                MemoryStream ms = new MemoryStream(data);                   // 用于解压的流   
                GZipStream g = new GZipStream(ms, CompressionMode.Decompress);
                byte[] buffer = new byte[c];                                // 读数据缓冲区      
                int l = g.Read(buffer, 0, c);                               // 一次读 10K      
                while (l > 0)
                {
                    js.Write(buffer, 0, l);
                    l = g.Read(buffer, 0, c);
                }
                g.Close();
                ms.Close();
                data = js.ToArray();
                js.Close();
            }
            return data;                                                    // 返回字节数组
        }
    }
}