正则表达式应用--提取CSDN所有下载资源URl的思路与代码实现分享
原文
http://blog.csdn.net/xuexiaodong2009/article/details/7481122
其实这个内容本身没有什么实际价值，只是有段时间，自己想找所有下载分为0的资源，闲来没事就随手写了一个小程序，见识到了正则表达式的强大

1分析需求 2查找规律，实现思路，3实现代码


1分析需求

需求很简单，就是找到所有下载分为0的资源，也就是不需要下载分的资源，刚开始时自己手动一个一个的找，感觉太慢了，

首先得打开资源分类页http://download.csdn.net/category，

再打开某一分类例如android http://download.csdn.net/category/mobile_development/android，

再点列表的某一页 例如第2页，http://download.csdn.net/category/mobile_development/android/orderbypubdate/2，

一页六个资源，一个一个的看，是不是存在不需要下载分的资源，有就打开到资源的详细页面，

最后才可以到下载页面，实在感觉太慢了，于是就有了写一个小程序的想法。在50页中查找差不多得一个小时。

2查找规律，实现思路

有了想法就开始想着怎么实现了。第一步就是分析各个页面的关系或者说是规律。对于某一个具体的分类列表页的url组成是有三部分组成：

第一部分http://download.csdn.net/category/是固定的，

第二部分是mobile_development是资源的大分类，

第三部分是android小分类，

最后就是排序方式和页码了orderbypubdate/2

分析列表的网页的源代码，发现关键的一行，包含了资源详细信息的链接和下载分，

例如如下一行的链接为/detail/ipoints/4241887，下载分为1


[html] view plaincopy
<dt><a href="/detail/ipoints/4241887">Yaffs专家.apk</a><span class="marks">1</span></dt>
通过正则表达式就可以匹配到链接和下载分。

资源的详细介绍页面和最终下载页面也有一定的关系，一个是detail一个是download，所以只要得到了资源的详细介绍页面就可以了。

http://download.csdn.net/detail/xuexiaodong2009/4241131

http://download.csdn.net/download/xuexiaodong2009/4241131


3实现代码
获取资源列表页


[csharp] view plaincopy
HttpWebRequest request = WebRequest.Create(url) as HttpWebRequest;

request.Method = "GET";
request.KeepAlive = false;
//Get the response
using (HttpWebResponse response = request.GetResponse() as HttpWebResponse)
{
using (Stream responseStream = response.GetResponseStream())
{
using (StreamReader reader = new StreamReader(responseStream, Encoding.UTF8))
{
string line = reader.ReadLine();
int count = 0;
int lineNo = 0;
while (line != null)
{
lineNo++;
if (lineNo < startLineIndex || string.IsNullOrEmpty(line))
{
line = reader.ReadLine();
continue;
}

if (lineNo >= endLineIndex)
{
break;
}
Match match = reDetailUrl.Match(line);
if (match.Success)
{
string inerUrl = match.Groups["url"].Value;
string marks = match.Groups["marks"].Value;
}
line = reader.ReadLine();
}
}
}
}

匹配资源详细介绍URL的正则表达式，

[csharp] view plaincopy
<a\s+href\s*=\s*"(?<url>[^"]{1,})">[^<]{1,}\s*</a><span\s+class\s*=\s*"marks"\s*>\s*(?<marks>\d{1,})\s*</span>

实现效果，分析一类资源，也就不到十分钟，效果非常明显。

遗留问题：

本想通过程序自动下载资源，但没有找到通过CSDN下载资源前，先需要验证的方法，只能暂时放一放了。

希望有想法的可以给指点一下。
源代码下载地址
http://download.csdn.net/detail/xuexiaodong2009/4242746

[解决办法]
+1。

最好分析一次之后，做个缓存存下来，因为那些资源不会变位置。
如果下载失败了很多次，就把那个资源标记成不可用。

下次就不需要分析那么久了。

[解决办法]
<a\s+href\s*=\s*"(?<url>[^"]{1,})">[^<]{1,}\s*</a><span\s+class\s*=\s*"marks"\s*>\s*(?<marks>\d{1,})\s*</span>
============
(?i)<a\b[^>]*?href\s*=([\s'"]?)(?<url>[^'"\s]+)\1>[^<>]+</a><span\b[^>]*?class\s*=([\s'"]?)marks\2[^>]*?>\s*(?<marks>\d+)\s*</span>

正则方面是否可优化一下成这样呢
[解决办法]
正则学习中。。。。
[解决办法]
不错哦 改进下应该会更好的
[解决办法]