数据采集程序(网页小偷)点滴心得

所谓的数据采集程序也就是网页小偷程序(大家别骂我哦),写完了来这里发点东西,希望大家有何高见共同研究.

1.在下载数据的开始,有些网站是要登录了才能看到相应的数据,这个就需要我们发送登录用户名和密码了,但我是登录了,但他服务器也不是垃圾,在他那里重定向了,共产生了2个session,这第2个session我就不知道如何捕抓.于是我就投机^-^,用软件将session捕抓下来了1个叫ethereal的软件,用以下代码加入到http请求的头部
webclient mywebclient = new webclient();
string sessionkey=textbox78.text;
     string refererurl=textbox77.text;
     mywebclient.headers.clear();    
     mywebclient.headers.add("cookie",sessionkey);
     mywebclient.headers.add("referer", refererurl);
     mywebclient.headers.add("user-agent", "mozilla/5.0 (x11; u; linux i686; en-us; rv:1.5) gecko/20031107 debian/1.5-3");
这样就欺骗了服务器了,哈哈

2.第二部就是代码下载
byte[] mydatabuffer = mywebclient.downloaddata(remoteuri);
 download = encoding.default.getstring(mydatabuffer);

3.第3部就是数据的匹配了,我是将流读取到数据里,然后用indexof得到2个关键字段的位置,然后用substring取出来的,我知道这很笨,但用正则表达式难啊(谁会的指点我下),匹配完了得到的字符串我就用以下的函数去掉了html代码:
private string striphtml(string strhtml)
  {
   string [] aryreg ={
          @"<script[^>]*?>.*?</script>",
          @"<(///s*)?!?((/w+:)?/w+)(/w+(/s*=?/s*(([""'])(//[""'tbnr]|[^/7])*?/7|/w+)|.{0})|/s)*?(///s*)?>",
          @"([/r/n])[/s]+",
          @"&(quot|#34);",
          @"&(amp|#38);",
          @"&(lt|#60);",
          @"&(gt|#62);",
          @"&(nbsp|#160);",
          @"&(iexcl|#161);",
          @"&(cent|#162);",
          @"&(pound|#163);",
          @"&(copy|#169);",
          @"&#(/d+);",
          @"-->",
          @"<!--.*/n"        
         };

   string [] aryrep = {
           "",
           "",
           "",
           "/"",
           "&",
           "<",
           ">",
           " ",
           "/xa1",//chr(161),
           "/xa2",//chr(162),
           "/xa3",//chr(163),
           "/xa9",//chr(169),
           "",
           "/r/n",
           ""
          };

   string newreg =aryreg[0];
   string stroutput=strhtml;
   for(int i = 0;i<aryreg.length;i++)
   {
    regex regex = new regex(aryreg[i],regexoptions.ignorecase );
    stroutput = regex.replace(stroutput,aryrep[i]);
  
   }

   stroutput.replace("<","");
   stroutput.replace(">","");
   stroutput.replace("/r/n","");

   return stroutput;
  }

4.到了后面就是入库了,这个大家都懂了吧.但是我还有点问题就是,在我写数据的时候,出了exception,说我的字段太长了,不能写进到数据库,我用的是access,我试验下用sql吧.

5.大家有什么好的建议给我留个言赛.共同进步嘛.