c# - 从网页获取链接

Question

我需要将此网页中的所有项目链接（URL）放入一个由中断分隔的文本文件中（换句话说，像这样的列表：“项目#1”“项目#2”等。

http://dota-trade.com/equipment?order=name是网页，如果您向下滚动，它会继续显示大约 500-1000 件商品。

我必须使用什么编程语言或者我将如何做到这一点。我也有使用 imacros 的经验。

Answer 1

您需要下载 HtmlAgilityPack

using HtmlAgilityPack;
using System;
using System.Collections.Generic;
using System.Linq;
using System.Net;
using System.Text;
using System.Threading.Tasks;

namespace ConsoleApplication5
{
    class Program
    {
        static void Main(string[] args)
        {
            WebClient wc = new WebClient();
            var sourceCode = wc.DownloadString("http://dota-trade.com/equipment?order=name");
            HtmlDocument doc = new HtmlDocument();
            doc.LoadHtml(sourceCode);
            var node = doc.DocumentNode;
            var nodes = node.SelectNodes("//a");
            List<string> links = new List<string>();
            foreach (var item in nodes)
            {
                var link = item.Attributes["href"].Value;
                links.Add(link.Contains("http") ? link : "http://dota-trade.com" +link);
            }
            int index = 1;
            while (true)
            {
                sourceCode = wc.DownloadString("http://dota-trade.com/equipment?order=name&offset=" + index.ToString());
                doc = new HtmlDocument();
                doc.LoadHtml(sourceCode);
                node = doc.DocumentNode;
                nodes = node.SelectNodes("//a");
                var cont = node.SelectSingleNode("//tr[@itemtype='http://schema.org/Thing']");
                if (cont == null) break; 
                foreach (var item in nodes)
                {
                    var link = item.Attributes["href"].Value;
                    links.Add(link.Contains("http") ? link : "http://dota-trade.com" + link);
                }
                index++;
            }
            System.IO.File.WriteAllLines(@"C:\Users\Public\WriteLines.txt", links);
        }
    }
}

Answer 2

我建议使用任何支持正则表达式的语言。我经常使用 ruby​​，所以我会做这样的事情：

require 'net/http'
require 'uri'

uri = URI.parse("http://dota-trade.com/equipment?order=name")

req = Net::HTTP::Get(uri.path)
http = Net::HTTP.new(uri.host, uri.port)
response = http.request(request)

links = response.body.match(/<a.+?href="(.+?)"/)

这不是我的想法，但 links[0] 应该是一个匹配对象，之后的每个元素都是一个匹配项。

puts links[1..-1].join("\n")

最后一行应该转储您想要的内容，但可能不包括主机。如果您希望包含主机，请执行以下操作：

puts links[1..-1].map{|l| "http://dota-trade.com" + l }.join("\n")

请记住，这是未经测试的。