首页 > 代码库 > 网络采集软件核心技术剖析系列(3)---如何使用C#语言下载博文中的全部图片到本地并可以离线浏览

网络采集软件核心技术剖析系列(3)---如何使用C#语言下载博文中的全部图片到本地并可以离线浏览

一 本系列随笔概览及产生的背景

本系列开篇受到大家的热烈欢迎,这对博主是莫大的鼓励,此为本系列第三篇,希望大家继续支持,为我继续写作提供动力。

自己开发的豆约翰博客备份专家软件工具问世3年多以来,深受广大博客写作和阅读爱好者的喜爱。同时也不乏一些技术爱好者咨询我,这个软件里面各种实用的功能是如何实现的。

该软件使用.NET技术开发,为回馈社区,现将该软件中用到的核心技术,开辟一个专栏,写一个系列文章,以飨广大技术爱好者。

本系列文章除了讲解网络采编发用到的各种重要技术之外,也提供了不少问题的解决思路和界面开发的编程经验,非常适合.NET开发的初级,中级读者,希望大家多多支持。

很多初学者常有此类困惑,“为什么我书也看了,C#相关的各个方面的知识都有所了解,但就是没法写出一个像样的应用呢?”

这其实还是没有学会综合运用所学知识,锻炼出编程思维,建立起学习兴趣,我想该系列文章也许会帮到您,但愿如此。

开发环境:VS2008

本节源码位置:https://github.com/songboriceboy/GetWebAllPics

源码下载办法:安装SVN客户端(本文最后提供下载地址),然后checkout以下的地址:https://github.com/songboriceboy/GetWebAllPics.git

系列文章提纲拟定如下:

1.如何使用C#语言获取博客园某个博主的全部随笔链接及标题;
2.如何使用C#语言获得博文的正文及标题;
3.使用C#语言如何将html网页转换成pdf(html2pdf)
4.如何使用C#语言下载博文中的全部图片到本地并可以离线浏览
5.如何使用C#语言合成多个单个的pdf文件到一个pdf中,并生成目录
6.网易博客的链接如何使用C#语言获取到,网易博客的特殊性;
7.微信公众号文章如何使用C#语言下载;
8.如何获取任意一篇文章的全部图文
9.如何使用C#语言去掉html中的全部标签获取纯文本(html2txt)
10.如何使用C#语言将多个html文件编译成chm(html2chm)
11.如何使用C#语言远程发布文章到新浪博客
12.如何使用C#语言开发静态站点生成器
13.如何使用C#语言搭建程序框架(经典Winform界面,顶部菜单栏,工具栏,左边树形列表,右边多Tab界面)
14.如何使用C#语言实现网页编辑器(Winform)
......

二 第三节主要内容简介(如何使用C#语言下载博文中的全部图片到本地并可以离线浏览)

网页的抓取主要分为3步:

1.通过分页链接抓取到全部文章链接集合(第一节内容)

2.通过每一个文章链接获取到文章的标题及正文(第二节内容)

3.从文章正文中解析出全部图片链接,并将文章的全部图片下载到本地(本节内容)

这3步有了,之后你就想怎么折腾就怎么折腾了,各种加工处理,生成pdf,chm,静态站点,远程发布到其他站点等等。

如何使用C#语言下载博文中的全部图片到本地并可以离线浏览的解决方案演示demo如下图所示:可执行文件下载

 

点击下载正文全部图片按钮后,会在可执行程序所在目录生成一个文件夹(文字为该网页的标题),文件夹中包含一个html文件(网页正文)以及网页正文中的全部图片。该html文件对最初正文html文件进行了处理,其中的图片链接均修改成了本地图片文件。

三 基本原理

下载博文中的全部图片可以分解成3步:

1.下载网页正文,找出其中的全部图片链接地址;

2.对于每一个图片链接地址,下载该图片到本地(起一个文件名),同时替换原来的图片地址为我们刚刚起的文件名;

3.第二步全部图片下载完成后,将所有图片链接替换后的网页正文保存为一个新的html文件(index.html)。

接下来我们就一步一步来看一下如何做:

 1.下载网页正文,找出其中的全部图片链接地址;

 如何下载网页正文请参考第二节内容,下面咱们看一下如何来获取网页正文中的全部图片链接:

private void GetSrcLinks()        {            HtmlNodeCollection atts = m_Doc.DocumentNode.SelectNodes("//*[@src]");            if (Equals(atts, null))            {                return;            }            Links = atts.                SelectMany(n => new[]                    {                        ParseLink(n, "src"),                    }).                Distinct().                ToArray();        }

通过HtmlAgilityPack中的HtmlDocument类找出全部src属性的节点,再通过linq提取出其中的网页地址。

2.对于每一个图片链接地址,下载该图片到本地,如下代码所示:

 DocumentWithLinks links = htmlDoc.GetSrcLinks();            int i = 1;            string baseUrl = new Uri(strLink).GetLeftPart(UriPartial.Authority);            foreach (string strPicLink in links.Links)            {                if (string.IsNullOrEmpty(strPicLink))                {                    continue;                }                          try                {                    string strExtension = System.IO.Path.GetExtension(strPicLink);                    if (strExtension == ".js" || strExtension == ".swf")                        continue;                                      if (strExtension == "")                    {                        strExtension = ".jpg";                    }                    string normalizedPicLink = GetNormalizedLink(baseUrl, strPicLink);                    strNewPage = DownLoadPicInternal(wc, strNewPage, strPageTitle, strPicLink, normalizedPicLink, strExtension, ref i);                }                catch (Exception ex)                {                } //end try            }

其中 DownLoadPicInternal的实现代码如下:

protected string DownLoadPicInternal(WebClient wc, string strNewPage, string strPageTitle, string strPicLink                               , string strTureLink, string strExtension, ref int i)        {            strPageTitle = strPageTitle.Replace("\\", "").Replace("/", "").Replace(":", "").Replace("*", "").Replace("?", "")            .Replace("\"", "").Replace("<", "").Replace(">", "").Replace("|", "");            strPageTitle = Regex.Replace(strPageTitle, @"[|•/\;.‘:*?<>-]", "").ToString();            strPageTitle = Regex.Replace(strPageTitle, "[\"]", "").ToString();            strPageTitle = Regex.Replace(strPageTitle, @"\s", "");            if (!Directory.Exists(Application.StartupPath + "\\" + strPageTitle))//判断是否存在            {                Directory.CreateDirectory(Application.StartupPath + "\\" + strPageTitle);//创建新路径            }                       int[] nArrayOffset = new int[2];            nArrayOffset = m_bf.getOffset(strPicLink);            strNewPage = strNewPage.Replace(strPicLink, nArrayOffset[0].ToString() + nArrayOffset[1].ToString() + strExtension);            string strSavedPicPath = Path.Combine(strPageTitle, nArrayOffset[0].ToString() + nArrayOffset[1].ToString() + strExtension);                    PrintLog(" 开始下载文章 [" + strPageTitle + "] 的第" + i.ToString() + "张图片\n");            strTureLink = HttpUtility.UrlDecode(strTureLink);            wc.DownloadFile(strTureLink, Application.StartupPath + "\\" + strSavedPicPath);            PrintLog(" 下载完成文章 [" + strPageTitle + "] 的第" + i.ToString() + "张图片\n");            System.Threading.Thread.Sleep(300);            i++;            return strNewPage;        }

其中粉色代码部分m_bf变量是BloomFilter类型的一个对象,BloomFilter是一个网页去重的强大工具,这里是为了将图片链接转化为一个独一无二的文件名。

strNewPage = strNewPage.Replace(strPicLink, nArrayOffset[0].ToString() + nArrayOffset[1].ToString() + strExtension);

此行代码是用新的图片文件名替换原网页中的图片链接。其他部分的代码之前章节均有解释,请自行参考。

 3.第二步全部图片下载完成后,将所有图片链接替换后的网页正文保存为一个新的html文件(index.html),主要代码如下:

  strPageTitle = strPageTitle.Replace("\\", "").Replace("/", "").Replace(":", "").Replace("*", "").Replace("?", "")             .Replace("\"", "").Replace("<", "").Replace(">", "").Replace("|", "");            strPageTitle = Regex.Replace(strPageTitle, @"[|•/\;.‘:*?<>-]", "").ToString();            strPageTitle = Regex.Replace(strPageTitle, "[\"]", "").ToString();            strPageTitle = Regex.Replace(strPageTitle, @"\s", "");            File.WriteAllText(Path.Combine(strPageTitle, "index.html"), strNewPage, Encoding.UTF8);

上面的一堆替换是因为windows对文件夹名有要求---不能包含一些特殊字符,这里我们通过正则替换去掉这些特殊字符。

到此为止,我们就实现了将任意网页中的正文中的图片下载到本地的功能,并同时修改了原来网页正文中的图片链接,以达到可以离线浏览的目的。

以后的生成pdf,chm均以此为基础,这一节是重中之重,有兴趣的同学可以扩展我提供的代码,将它改造成某个站点的图片采集器应该也是一件简单的事情。

四 下节预告

使用C#语言如何将html网页转换成pdf(html2pdf)。

作者:宋波
出处:http://www.cnblogs.com/ice-river/
本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文链接。
正在看本人博客的这位童鞋,我看你气度不凡,谈吐间隐隐有王者之气,日后必有一番作为!旁边有“推荐”二字,你就顺手把它点了吧,相得准,我分文不收;相不准,你也好回来找我!

网络采集软件核心技术剖析系列(3)---如何使用C#语言下载博文中的全部图片到本地并可以离线浏览