原文
http://blog.csdn.net/xuexiaodong2009/article/details/7481122
其实这个内容本身没有什么实际价值,只是有段时间,自己想找所有下载分为0的资源,闲来没事就随手写了一个小程序,见识到了正则表达式的强大 1分析需求 2查找规律,实现思路,3实现代码
1分析需求 需求很简单,就是找到所有下载分为0的资源,也就是不需要下载分的资源,刚开始时自己手动一个一个的找,感觉太慢了, 首先得打开资源分类页http://download.csdn.net/category, 再打开某一分类例如android http://download.csdn.net/category/mobile_development/android, 再点列表的某一页 例如第2页,http://download.csdn.net/category/mobile_development/android/orderbypubdate/2, 一页六个资源,一个一个的看,是不是存在不需要下载分的资源,有就打开到资源的详细页面, 最后才可以到下载页面,实在感觉太慢了,于是就有了写一个小程序的想法。在50页中查找差不多得一个小时。 2查找规律,实现思路 有了想法就开始想着怎么实现了。第一步就是分析各个页面的关系或者说是规律。对于某一个具体的分类列表页的url组成是有三部分组成: 第一部分http://download.csdn.net/category/是固定的, 第二部分是mobile_development是资源的大分类, 第三部分是android小分类, 最后就是排序方式和页码了orderbypubdate/2 分析列表的网页的源代码,发现关键的一行,包含了资源详细信息的链接和下载分, 例如如下一行的链接为/detail/ipoints/4241887,下载分为1
[html] view plaincopy
<dt><a href="/detail/ipoints/4241887">Yaffs专家.apk</a><span class="s">1</span></dt>
通过正则表达式就可以匹配到链接和下载分。 资源的详细介绍页面和最终下载页面也有一定的关系,一个是detail一个是download,所以只要得到了资源的详细介绍页面就可以了。http://download.csdn.net/detail/xuexiaodong2009/4241131http://download.csdn.net/download/xuexiaodong2009/4241131
3实现代码
获取资源列表页
[csharp] view plaincopy
HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest;
request.Method = "GET";
request.KeepAlive = false;
//Get the response
using (HttpWebResponse response = request.GetResponse() as HttpWebResponse)
{
using (Stream responseStream = response.GetResponseStream())
{
using (StreamReader reader = new StreamReader(responseStream, Encoding.UTF8))
{
string line = reader.ReadLine();
int count = 0;
int lineNo = 0;
while (line != null)
{
lineNo++;
if (lineNo < startLineIndex || string.IsNullOrEmpty(line))
{
line = reader.ReadLine();
continue;
}
if (lineNo >= endLineIndex)
{
break;
}
Match match = reDetailUrl.Match(line);
if (match.Success)
{
string inerUrl = match.Groups["url"].Value;
string s = match.Groups["s"].Value;
}
line = reader.ReadLine();
}
}
}
} 匹配资源详细介绍URL的正则表达式, [csharp] view plaincopy
<a\s+href\s*=\s*"(?<url>[^"]{1,})">[^<]{1,}\s*</a><span\s+class\s*=\s*"s"\s*>\s*(?<s>\d{1,})\s*</span> 实现效果,分析一类资源,也就不到十分钟,效果非常明显。 遗留问题: 本想通过程序自动下载资源,但没有找到通过CSDN下载资源前,先需要验证的方法,只能暂时放一放了。 希望有想法的可以给指点一下。
源代码下载地址
http://download.csdn.net/detail/xuexiaodong2009/4242746
http://blog.csdn.net/xuexiaodong2009/article/details/7481122
其实这个内容本身没有什么实际价值,只是有段时间,自己想找所有下载分为0的资源,闲来没事就随手写了一个小程序,见识到了正则表达式的强大 1分析需求 2查找规律,实现思路,3实现代码
1分析需求 需求很简单,就是找到所有下载分为0的资源,也就是不需要下载分的资源,刚开始时自己手动一个一个的找,感觉太慢了, 首先得打开资源分类页http://download.csdn.net/category, 再打开某一分类例如android http://download.csdn.net/category/mobile_development/android, 再点列表的某一页 例如第2页,http://download.csdn.net/category/mobile_development/android/orderbypubdate/2, 一页六个资源,一个一个的看,是不是存在不需要下载分的资源,有就打开到资源的详细页面, 最后才可以到下载页面,实在感觉太慢了,于是就有了写一个小程序的想法。在50页中查找差不多得一个小时。 2查找规律,实现思路 有了想法就开始想着怎么实现了。第一步就是分析各个页面的关系或者说是规律。对于某一个具体的分类列表页的url组成是有三部分组成: 第一部分http://download.csdn.net/category/是固定的, 第二部分是mobile_development是资源的大分类, 第三部分是android小分类, 最后就是排序方式和页码了orderbypubdate/2 分析列表的网页的源代码,发现关键的一行,包含了资源详细信息的链接和下载分, 例如如下一行的链接为/detail/ipoints/4241887,下载分为1
[html] view plaincopy
<dt><a href="/detail/ipoints/4241887">Yaffs专家.apk</a><span class="s">1</span></dt>
通过正则表达式就可以匹配到链接和下载分。 资源的详细介绍页面和最终下载页面也有一定的关系,一个是detail一个是download,所以只要得到了资源的详细介绍页面就可以了。http://download.csdn.net/detail/xuexiaodong2009/4241131http://download.csdn.net/download/xuexiaodong2009/4241131
3实现代码
获取资源列表页
[csharp] view plaincopy
HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest;
request.Method = "GET";
request.KeepAlive = false;
//Get the response
using (HttpWebResponse response = request.GetResponse() as HttpWebResponse)
{
using (Stream responseStream = response.GetResponseStream())
{
using (StreamReader reader = new StreamReader(responseStream, Encoding.UTF8))
{
string line = reader.ReadLine();
int count = 0;
int lineNo = 0;
while (line != null)
{
lineNo++;
if (lineNo < startLineIndex || string.IsNullOrEmpty(line))
{
line = reader.ReadLine();
continue;
}
if (lineNo >= endLineIndex)
{
break;
}
Match match = reDetailUrl.Match(line);
if (match.Success)
{
string inerUrl = match.Groups["url"].Value;
string s = match.Groups["s"].Value;
}
line = reader.ReadLine();
}
}
}
} 匹配资源详细介绍URL的正则表达式, [csharp] view plaincopy
<a\s+href\s*=\s*"(?<url>[^"]{1,})">[^<]{1,}\s*</a><span\s+class\s*=\s*"s"\s*>\s*(?<s>\d{1,})\s*</span> 实现效果,分析一类资源,也就不到十分钟,效果非常明显。 遗留问题: 本想通过程序自动下载资源,但没有找到通过CSDN下载资源前,先需要验证的方法,只能暂时放一放了。 希望有想法的可以给指点一下。
源代码下载地址
http://download.csdn.net/detail/xuexiaodong2009/4242746
============
(?i)<a\b[^>]*?href\s*=([\s'"]?)(?<url>[^'"\s]+)\1>[^<>]+</a><span\b[^>]*?class\s*=([\s'"]?)s\2[^>]*?>\s*(?<s>\d+)\s*</span> 正则方面是否可优化一下成这样呢
有时也有可能出现这样的情况:
<a href='url'>
<a href="url">
<a href=url>
-lminiSDL
-lminiSDL
-lminiSDL
-lminiSDL
#region 数据分析相关正则
/// <summary>
/// 获取文章目录中文章的Url地息
/// </summary>
private Regex regArticleUrls = new Regex( @"<span class=""link_title"">[^<]*<a(?:(?!href).)*href\s*=\s*['""]?(?<url>[^'"">\s]*)['""]?", RegexOptions.IgnoreCase | RegexOptions.Compiled | RegexOptions.Singleline );
/// <summary>
/// 获取下一页的正则
/// </summary>
private Regex regNextPage = new Regex( @"<a(?:(?!href).)*href\s*=\s*['""]?(?<url>[^'"">\s]*)['""]?[^>]*>[^<]*下一页[^<]*</a>", RegexOptions.IgnoreCase | RegexOptions.Compiled | RegexOptions.Singleline );
/// <summary>
/// 获取文章的属性
/// </summary>
private Regex regArticleInfo = new Regex( @"(?:<span class=""link_categories"">(?:[^<]*<a[^>]*>(?<tag>[^<]*)</a>)*[^<]*</span>)?[^<]*<span class=""link_postdate"">(?<publish>[^<]*)</span>", RegexOptions.IgnoreCase | RegexOptions.Compiled | RegexOptions.Singleline );
/// <summary>
/// 获取文章正文
/// </summary>
private Regex regArticleContent = new Regex( "<div id=\"article_details\" class=\"details\">[^<]*<div class=\"article_title\">[^<]*(?:(?!<div id=\"side\">[^<]*<div class=\"side\">[^<]*<div id=\"panel_Profile\" class=\"panel\">).)*", RegexOptions.IgnoreCase | RegexOptions.Compiled | RegexOptions.Singleline );
/// <summary>
/// 去除评论内容正则
/// </summary>
private Regex regArticleRemoveFooter = new Regex( "(<div class=\"article_next_prev\">[^>]*<li class=\"prev_article\">(?:(?!</div>).)*</div>)[^$]*", RegexOptions.IgnoreCase | RegexOptions.Compiled | RegexOptions.Singleline );
/// <summary>
/// 文章标题
/// </summary>
private Regex regArticleTitle = new Regex( "<span class=\"link_title\">[^>]*>\\s*(?<title>(?:(?!</a>).)*)</a></span>", RegexOptions.IgnoreCase | RegexOptions.Compiled | RegexOptions.Singleline );
/// <summary>
/// 获取图片
/// </summary>
private Regex regImages = new Regex( @"(<img(?:(?!src).)*src\s*=\s*([""']))(?<img>(?:(?!\2).)*)(\2[^>]*>)", RegexOptions.IgnoreCase | RegexOptions.Compiled | RegexOptions.Singleline );
#endregion
这个帖子如果出现在豆豆,那么没问题关键是出现在了csdn。