C#抓取动态网页（连同响应翻页）的数据（例如火车时刻表）显示，具体如题

[火电]

要实现动态抓取其他权威数据库上的数据（最新火车时刻表）
显示在本地网页中，保证连接和分页有效的连接过去。如何实现

求解决方案！！！！

[pzlk]

你是要连接过去，还是想把数据抓取下来放到自己的数据库中呢？

[Red_angelX]

抓回来 把分页链接替换下

[火电]

不保存数据，就要做到连接（分页，朝连接）过去就行

具体些，如何实现呢

[Red_angelX]

不保存? 那就存在内存里了 得到服务器返回的html str后替换掉里面的url 用个表来存这些东西

[-过客-]

只是能链接过去就行吗？那就取得网页源码，提取出你想要的链接，有些用相对地址的，替换成绝对地址就行了，如果是大型或者权威的网站，格式应该都是固定的，提取应该很容易的

[pzlk]

比如对方页面
time.aspx?page=1

你的
mytime.aspx?page=1

获得对方页面相应页码的html代码，对翻页连接做修改，改成你自己的就可以了

[火电]

string url = "http://www.huoche.com/chaxun/showchezhan.asp?zhan=大连";

string ResponseText = String.Empty;
HttpWebRequest request = (HttpWebRequest)WebRequest.Create(this.url);
request.UserAgent = Request.UserAgent;

System.Net.WebResponse response = request.GetResponse();

//返回信息
Stream resStream = response.GetResponseStream();
StreamReader sr = new StreamReader(resStream, System.Text.Encoding.Default);
ResponseText = sr.ReadToEnd();
resStream.Close();
sr.Close();

return ResponseText;


抓取网页数据时遇到中文时(url中含有‘大连’)
出现乱码！！！！如何解决！！！

[LinDaXX]

StreamReader sr = new StreamReader(resStream, System.Text.Encoding.UTF8);

[火电]

已经搞定，结贴，感谢lxcnn(过客)的帮助（后台聊过）

[jiejie526]

<@Aattention Content="本Blog原创文章，转载或引用请注明转载" From="Robby.cnblogs.com"@>

      由于自己的搜索引擎中做到了这一块内容，所以今天说说如何抓取网页数据、分析并且去除Html标签，给大家提供一个参考。我的平台是Visual Studio2005，C#。

—————————————————————割—————————————————————————

      首先将网页内容整个抓取下来，这个我就不说了，不是本次话题的重点。假设抓取的数据放在RecvBuffer这个byte[]中（数据从网络上传输过来时不是字符串的形式而是byte），那么我们的第一步就是将RecvBuffer转化为String，以便于对其操作，实例如下：
  // 将接收到的数据增加到响应字符串中
  strResponse += Encoding.ASCII.GetString(RecvBuffer, 0, nBytes);      strResponse即是保存数据的字符串，此处用系统自带的System.Text.Encoding的方法转化RecvBuffer，GetString的第一个参数RecvBuffer就是我们的原始数据，即包含需要解码的字节序列的字节数组；第二个参数0代表第一个要解码的字节的索引，一般就从0开始；第三个参数nBytes为要解码的字节数，可以自己调整。

      得到了数据的字符串形式，然后可以对网页进行解析了（其实就是对字符串的各种操作和正则表达式的应用）。下面我以几个例子来说明对网页数据的解析：
  // 解析页面，查找链接
  // 此处尚需扩展，还有某些形式的链接不被识别
  string strRef = @"(href|HREF|src|SRC|action|ACTION|Action)[ ]*=[ ]*[""'][^""'#>]+[""']";
  MatchCollection matches = new Regex(strRef).Matches(strResponse);
  strStatus += "找到: "+matches.Count+" 个链接\r\n";      上面的例子将网页中的链接解析出来，strRef变量表示了正则表达式的模式，变量matches表示符合匹配的项目的集合，后面的Regex(strRef).Matches(strResponse)就是创建正则规则使得strResponse里符合strRef模式的字符串都返回。然后调用matches的变量就可以取得各种信息了。
      当然，这里只能识别一些基本的链接形式，像script中的链接和一些不带“”的链接都没有被支持，这个的扩展还是蛮简单的。
      再举几个更简单点的解析的例子，大家学习学习：
  //获取标题
  Match TitleMatch = Regex.Match(strResponse, "<title>([^<]*)</title>", RegexOptions.IgnoreCase | RegexOptions.Multiline);
  title = TitleMatch.Groups[1].Value;

  //获取描述信息
  Match Desc = Regex.Match(strResponse, "<Meta name=\"DESCRIPTION\" content=\"([^<]*)\">", RegexOptions.IgnoreCase | RegexOptions.Multiline);
  strdesc = Desc.Groups[1].Value;

  //获取网页的大小
  size = strResponse.Length;
—————————————————————割—————————————————————————

      好了，下面说一下如何去除Html标签，这个想必有很多初学者很需要。其实还是正则表达式和字符串基本操作的应用，由于这个功能还是比较常用的，所以例子写成了函数，便于调用：
  /**//// <summary>
  /// 将Html标签转化为空格
  /// </summary>
  /// <param name="strHtml">待转化的字符串</param>
  /// <returns>经过转化的字符串</returns>
  private string stripHtml(string strHtml)
  {
     Regex objRegExp = new Regex("<(.|\n)+?>");
     string strOutput = objRegExp.Replace(strHtml, "");
     strOutput = strOutput.Replace("<", "<");
     strOutput = strOutput.Replace(">", ">");
     return strOutput;
  }      ok，这样一来Html标签就基本没了，但是有些例外会使得去除不干净，所以建议连续两次转化，这样就搞定了。但是还没结束，如果你留意的话，可以看到上面的函数其实是将Html标签转化为了空格。太多连续的空格会影响之后对字符串的操作。所以再加入这样的语句：
  //把所有空格变为一个空格
  Regex r = new Regex(@"\s+");
  wordsOnly = r.Replace(strResponse, " ");
  wordsOnly.Trim();      好了，大功告成，这里的wordsOnly便是我们最终的成果----去除了Html标签，并去除了多余空格的字符串。
      希望对大家有用！

[dxzhang2]

后台聊过了。。能把解决方案共享了么？