突发奇想，觉得有时保存网页上的资源非常麻烦，有没有办法输入一个网址就批量抓取对应资源的办法呢。

需要思考的问题：

1.如何得到网页url的html源码呢？

2.如何在浩瀚如海的html中匹配出需要的资源地址呢？

3.如何按照得到的资源地址集合批量下载资源呢？

4.下载的资源一般为文件流，如何生成指定的资源类型并保存呢？

需要掌握的知识：

1.网络爬虫的基础知识，发送Http请求的方法

2.C# 正则表达式运用，主要是识别html中需要的rul网址

3.UnityWebRequest类文件流下载

4.C# File类和Stream类等基础文件操作

下面分项来进行实现：

关于爬虫这里就不进行介绍了，网上其他的地方有很多资料，简而言之就是采集网页信息和数据的程序。

第一步，就是要发送一个Web请求，也可以说是Http请求。

这跟你打开浏览器输入一个url地址然后回车产生的效果基本是类似的，网页上之所以能显示出正确的信息和数据，是因为每一个网页有对应的html源码，像很多浏览器例如谷歌浏览器都是支持查看网页源码的功能，例如下面是我经常去的喵窝的主页的html的<head>部分：

html源码中可以查看到网页当前的很多隐藏信息和数据，其中还有大量的资源链接和样式表等。值得注意的是，html源码只有在网页全部加载完成之后很可以显示和查看，这意味着一个url地址的Web请求响应成功；有成功的情况当然就会有各种各样失败的情况，例如我们经常输入一个rul地址后出现404的提示，这种就是一个Http请求出现错误的情况，404表示服务器未找到请求的网页。其他的错误类型还有很多。为什么要了解这一点呢，因为之后在发送Http请求时要想办法对错误进行处理或跳过执行下一任务。

我们可以有很多方式来发送Http请求，Unity也更新了Web请求的方式：（以后代码我就直接截图了，这个插入代码功能都不能自动排整齐真的难受）

主要用到的类就是UnityWebRequest，和Unity中以前的类WWW有些类似，主要用于文件的下载与上传。

要引入以下命名空间：

UnityAction作为参数主要是用于请求结束后可以自动返回一个html源码。它本质上就是个泛型委托：

泛型的参数可以从没有到多个，是一个非常好用的类（尤其是在协程的回调中，可以很方便的延时参数传递）

当然了，除了Unity内置的发送Web请求的方法，C#也封装了好几个类，你可以随便挑一个使用，例如 HttpWebRequest，WebClient，HttpClient等：

比如这样：

如果成功通过Web请求得到了指定url地址的html源码，那就可以执行下一步了。

第二步，收集html中所需要的数据信息，本例中就是要从这些源码中找出图片的链接地址。

例如可能会有下面这几种情况：

总结一下，首先利用html的常用标签<img>来找可以找到大部分的图片，但还是有部分图片并不在这些标签之内。而且有时候，即使是在<img>标签之内的图片地址，还是有可能出现内链或是外链的区别，外链的话直接作为合法的url地址执行即可，但如果是内链的话就还要补全域名地址，所以我们还需要想办法识别一个url的正确域名。

关于如何识别匹配以上所说的字符串内容，目前最有效的方法就是正则表达式，下面就列举在本例中需要使用到的正则表达式：

1.匹配url域名地址：

private const string URLRealmCheck = @"(http|https)://(www.)?(\w+(\.)?)+";

2.匹配url地址：

private const string URLStringCheck = @"((http|https)://)(([a-zA-Z0-9\._-]+\.[a-zA-Z]{2,6})|([0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}\.[0-9]{1,3}))(:[0-9]{1,4})*(/[a-zA-Z0-9\&%_\./-~-]*)?";

3.匹配html中<img>标签内的url地址：（不区分大小写，其中分组<imgUrl>中为所需的url地址）

private const string imgLableCheck = @"<img\b[^<>]*?\bsrc[\s\t\r\n]*=[\s\t\r\n]*[""']?[\s\t\r\n]*(?<imgUrl>[^\s\t\r\n""'<>]*)[^<>]*?/?[\s\t\r\n]*>";

4.匹配html中<a>标签内href属性的url地址：（不区分大小写，主要用于深度检索，其中分组<url>中为所需的url地址）

private const string hrefLinkCheck = @"(?i)<a\s[^>]*?href=(['""]?)(?!javascript|__doPostBack)(?<url>[^'""\s*#<>]+)[^>]*>";

5.指定图片类型的匹配：（主要用于外链）

private const string jpg = @"\.jpg";
private const string png = @"\.png";

关于正则表达式的具体匹配用法，网上也有很多教程，这里就不说了。

给定一个html源码，下面从两个方向对图片进行匹配，先匹配外链，这里指定了匹配的文件类型：

下面是内链的匹配，先要匹配出域名地址：

有了域名地址之后就可以轻松匹配内链地址了：

使用正则表达式需要引入以下命名空间：

利用正则表达式匹配出所有的imgLinks后就可以对其中的图片进行依次下载了。

第三步，对有效的图片url进行下载传输：

你也可以对这些url进行同步下载传输，但这样可能需要增加额外的最大线程数，而且比较难控制整体的下载进度。

具体的传输协程如下：

值得注意的是，并非只有成功下载时才调用Complete方法，即使发生了错误，也需要调用，这样避免了一发生错误，自动下载就自行终止的情况。正常情况下是即使发生了错误，也要跳过执行下一文件的下载任务。

最后一步就是将下载的数据文件流转化为指定类型的文件并保存，这里方法有很多，下面提供一种：

扩展：

有时单个html中的所有图片链接不能完全满足我们的需求，因为html中的子链接中可能也会有需要的url资源地址，这时我们可以考虑增加更深层次的遍历。那就需要先匹配出html中的link地址，然后再得到该link地址的子html源码，如此进行关于深度匹配的循环。

匹配html中的子链接可以通过查找<a>标签的属性href，上面已经给出过该属性的正则匹配表达式，这里只深度匹配了一层以供参考：

测试：这里用深度匹配抓取喵窝主页为jpg格式的图片链接并下载，存到D盘中。（UI就随便做的不用在意）

实验：用Unity抓取指定url网页中的所有图片并下载保存的更多相关文章

  1. javascript怎么获取指定url网页中的内容

    javascript怎么获取指定url网页中的内容 一.总结 一句话总结:推荐jquery中ajax,简单方便. 1.js能跨域操作么? javascript出于安全机制不允许跨域操作的. 二.用ph ...

  2. Python3 urllib抓取指定URL的内容

    最近在研究Python,熟悉了一些基本语法和模块的使用:现在打算研究一下Python爬虫.学习主要是通过别人的博客和自己下载的一下文档进行的,自己也写一下博客作为记录学习自己过程吧.Python代码写 ...

  3. Python 爬虫-抓取中小企业股份转让系统公司公告的链接并下载

    系统运行系统:MAC 用到的python库:selenium.phantomjs等 由于中小企业股份转让系统网页使用了javasvript,无法用传统的requests.BeautifulSoup库获 ...

  4. PHP抓取及分析网页的方法详解

    本文实例讲述了PHP抓取及分析网页的方法.分享给大家供大家参考,具体如下: 抓取和分析一个文件是非常简单的事.这个教程将通过一个例子带领你一步一步地去实现它.让我们开始吧! 首先,我首必须决定我们将抓 ...

  5. C#实现通过程序自动抓取远程Web网页信息的代码

    http://www.jb51.net/article/9499.htm 通过程序自动的读取其它网站网页显示的信息,类似于爬虫程序.比方说我们有一个系统,要提取BaiDu网站上歌曲搜索排名.分析系统在 ...

  6. C#抓取远程Web网页信息的代码

    来自:http://www.jb51.net/article/9499.htm 通过程序自动的读取其它网站网页显示的信息,类似于爬虫程序.比方说我们有一个系统,要提取BaiDu网站上歌曲搜索排名.分析 ...

  7. php使用curl简单抓取远程url的方法

    这篇文章主要介绍了php使用curl简单抓取远程url的方法,涉及php操作curl的技巧,具有一定参考借鉴价值,需要的朋友可以参考下     本文实例讲述了php使用curl抓取远程url的方法.分 ...

  8. 使用Python中的urlparse、urllib抓取和解析网页（一）（转）

    对搜索引擎.文件索引.文档转换.数据检索.站点备份或迁移等应用程序来说,经常用到对网页(即HTML文件)的解析处理.事实上,通过Python 语言提供的各种模块,我们无需借助Web服务器或者Web浏览 ...

  9. C#抓取和分析网页的类

    抓取和分析网页的类. 主要功能有: Ontology 1.提取网页的纯文本,去所有html标签和javascript代码 2.提取网页的链接,包括href和frame及iframe 3.提取网页的ti ...

随机推荐

  1. 18c & 19c Physical Standby Switchover Best Practices using SQL*Plus (Doc ID 2485237.1)

    18c & 19c Physical Standby Switchover Best Practices using SQL*Plus (Doc ID 2485237.1) APPLIES T ...

  2. shell 脚本里的$(( ))、$( )、``与${ }的区别

    shell  脚本里的命令执行 1. 在bash中,$( )与` `(反引号)都是用来作命令替换的. 命令替换与变量替换差不多,都是用来重组命令行的,先完成引号里的命令行,然后将其结果替换出来,再重组 ...

  3. HTML和css常见问题解答2

    1.将一个块级元素水平和垂直居中有几种方法?分别是什么? 四种方式: (1).要让div等块级元素水平和垂直居中,必需知道该div等块级元素的宽度和高度,然后设置位置为绝对位置,距离页面窗口左边框和上 ...

  4. 【docker构建】基于docker构建rabbitmq消息队列管理服务

    1. 拉取镜像 # 可以在官网查看版本 [root@VM_0_10_centos wordpress]# docker pull rabbitmq:3.7.7-management 2. 根据拉取的镜 ...

  5. 数据、模型、IT系统认知

    数据.模型.IT系统认知 量化投资定义 量化投资主要是指通过数理模型来实现投资理念,由计算机产生交易策略的一种投资方法. 量化投资是一种方法论,而不是具体的交易策略. 通常与基本面.技术面分析相结合. ...

  6. 前端之HTML介绍及使用

    一.HTML介绍 1.1 web本质 在pycharm写入一下代码,然后在浏览器地址栏输入地址和端口127.0.0.1:8080,回车,回来运行代码,直接访问客户端发送的内容conn.send(b'& ...

  7. ASP.NET Core 2.2 WebApi 系列【六】泛型仓储模式

    为什么要使用泛型仓储?好处是? 前两章在autofac注入的时候,用的User类作为例子,写了增删改查四个接口,也就是仓储的GRUD. 当我们再添加一个实体(比如Student)时,StudentRe ...

  8. linux中网络配置

    一.查看ip ipconfig 二.png 测试主机之间网络连通 ping 目标ip #测试当前服务器是否可以连接目的主机 三.linux配置网络环境 vim /etc/sysconfig/netwo ...

  9. 池化HttpClient，拿去就能用

    import lombok.extern.slf4j.Slf4j; import org.apache.http.HttpEntity; import org.apache.http.HttpResp ...

  10. Java SSM 商户管理系统 客户管理 库存管理 销售报表 项目源码

    需求分析: 有个厂家,下面有很多代理商(商户或门头等),之前商户进货.库存.销售.客户资料等记录在excel表格中 或者无记录,管理比较混乱,盈利情况不明.不能有效了解店铺经营情况和客户跟踪记录 厂家 ...