C#正则网页分析网页爬虫/采集分析数据-912-源码+说明资料
转载地址:http://www.3q2008.com/soft/search.asp?keyword=912
适合 采集分析数据,关键字分析,网页爬虫蜘蛛等功能,
大体功能描述:
分析页面,根据对应要求规则提取数据,
可以根据该页面内对应链接,继续分析链接页面,依次递归.
1. 输入IP地址
2. 抓取输入IP地址页面的源代码，入库，也就是掉用第一个函数
3. 对源代码进行分析，提取此页上的非图片和视频的链接
4. 将提取的IP地址入库
5. 对这些链接启用多线程
6. 多线程完成三个函数功能
7. 第一个函数内容：调用NMAP对其扫描，查看是否开放6667端口，开放则定位含有IRC 聊天室
8. 第二个函数：对所有的链接进行源代码的下载，入库
9. 第三个函数：对入库后的代码分析，查看是否有聊天室的关键字
10. 最后判断输出结果
针对 IP 查询 IP的内容
查询 IP
页面信息 , 源码, 是否开启6667 是否含有聊天室给关键字
主表 地址
子表 ,所属地址, 页面地址, 源码, 是否开启6667 是否含有关键字
环境：C#
聊天室扫描模块的关键是使用nmap-sS-p 6667；
要求：输入一个IP地址，用c#调用NMAP扫描，用正则表达式进行匹配，查看是否开放6667端口，如果是OPEN就显示含有CS聊天室；
然后对给出的IP地址抓取源代码，用正则表达式找出非图片和视频的链接，将这些链接和最开始的那个链接一起入库到IP列，然后调用线程并行下载，线程个数为10，为了不重复下载，在TIME列为0的时候下载，当为1的时候不下载，然后将源代码入库，对其进行关键字分析，是否包含聊天室关键字,最后给出探测结果，*【图形界面】
*调用NMAP使用 nmap -sS -p 6667，采用C#调用cmd,传递这个参数，和下面的方法类似：
符合大部分网页采集爬虫特性:
采用特征比对的方法对收集到的网站网页进行检索，如果从中发现具有已知聊天室特征的网站网页，认为发现了网络聊天室。
1.1.1 网页分析
在这里进行分析的网页是指html、asp、jsp等类型网页，它由标题、文本和tag串三部分构成。本文对B/S结构聊天室探测时，只针对文本信息进行识别，因此不考虑其中的视频、音频信息等等数据。
１.标题：即Web页面源代码中用<TITLE>和</TITLE>标记的文字.在实际浏览的时候它会出现在浏览器界面最上方的标题栏中。标题中的内容与网页的主题的关系非常密切，起着概括全篇的重要作用。如果标题中出现了与某个主题相关的关键词。则其主要内容与该主题一般也是相关的，所以标题是很重要的。
２.页面标记：起控制作用的标识符，属于HTML语法的一部分，成为Tag ，他们的特点是由“<”和“>”以及它们中间的字串组成如<TITLE>、<BR>等等。对于普通的文本文档，识别标题、小标题、段首句等结构信息是一项十分困难的工作，然而在网页文件中，由于有控制标识符表明这些结构信息，识别它们就变得十分的简单，在识别聊天室网页时可以参考这些信息。
３.文本：就是浏览网页时真正看到的文字信息.这些文字信息是网页的真正内容。
1.1.2 基于B/S结构聊天室特征分析
经过收集统计整理分析北方时空、第九元素、佛教在线等十四个公共的大型聊天室网站的特征关键字，B/S结构的聊天室具有下述特点。统计情况如表5.1所示。
1.所有聊天室均具有“登陆区”
“登陆区”指登陆聊天室时的用户登陆区，典型的“登陆区”代码，例如“北方时空”的登陆区网页源码如图5.5所示。
启动后,点管理, 可以直接点多线程操作! 系统会根据页面分析的链接数进行同时分析采集
表数量3
Detail
字段名称 数据 自增主键 允许为空 默认值
是
项目
页面地址
页面源码
含有关键字
程序判定
表:1
项目
字段名称 数据 自增主键 允许为空 默认值
是
项目地址
表:2
vI
字段名称 数据 自增主键 允许为空 默认值
是
项目
项目地址
页面地址
页面源码 400)
含有关键字
程序判定
顶部