Question

我需要将此网页中的所有项目链接（URL）转换为由分隔符分隔的文本文件（换句话说，如下所示的列表：“Item＃1”“Item＃2”等。

http://dota-trade.com/equipment?order=name是网页，如果向下滚动则会继续显示约500-1000项。

我必须使用哪种编程语言，或者我将如何使用它。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="(.+?)"/)

这是我的头脑，但链接[0]应该是匹配对象，之后的每个元素都是匹配。

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

最后一行应该转储你想要的但可能不会包含主机。如果你想要包含的主机做这样的事情：

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

请记住这是未经测试的。

从网页获取链接

2 个答案: