/// <summary>
///使用异步方式下载，将html内容保存为html文件，并将html内容中引用的图片，css，js，flash都保存到本地，然后将html内容中引用的地址都转换为相对地址
/// </summary>
/// <param name="fileName">保存的文件名</param>
/// <param name="ignoreScript">保存的时候是否忽略Script标签，若为true，则忽略JS</param>
/// <param name="dirConfig">页面下载文件夹相关配置信息</param>
/// <returns>如果下载成功，返回文件的本地路径，否则返回null</returns>
public string AsyncSaveHtmlAndResource(string fileName, bool ignoreScript, DirConfig dirConfig)
{
//当前的html内容
string htmlContent = this.html;
//一个字典，key是资源地址的在html中的占位符，value是资源下载到本地的路径（如果未下载成功则是资源的url）
Dictionary <string, string> dic = new Dictionary <string, string>(200);
if (!dirConfig.CheckLegal())
{
throw new SpiderException("路径配置不在统一磁盘下");
}
dirConfig.CreateDir();
if (string.IsNullOrEmpty(this.pageUrl))
{
throw new SpiderException("未指定当前url");
}
//如果忽略JS
if (ignoreScript)
{
htmlContent = this.FilterScript();
}
#region 保存所有css和css中引用的图片
htmlContent = RegexCollection.RegCssLink.Replace(htmlContent, delegate(Match match)
{
//由于css文件里有可能引用图片，所以在此处需要自定义css文件下载函数，将css文件中的图片下载到本地然后替换css文件中的引用路径
return(this.MatchUrl(match, dirConfig, this.PageUrl, dirConfig.HtmlDirPath, dirConfig.CssDirPath, "src", null, delegate(string cssUrl)
{
//css引用在html中的占位符
string placeHolder = this.GetPlaceHolder();
//css文件在本地的目录
string filePath;
//异步下载css文件中引用图片需要的字典
Dictionary <string, string> dicPlaceCss = new Dictionary <string, string>(20);
CHttpWebRequest cRequest;
//请求css文件
cRequest = Spider.CreateRequest(cssUrl);
cRequest.SetHeader("Referer", this.pageUrl);
#region 异步下载css文件
Spider.AsyncGet(cRequest, delegate(CHttpWebResponse cResponse)
{
//css文件内容
string cssContent;
//css文件保存路径
string cssSavePath;
//如果下载成功
if (cResponse.Success)
{
using (cResponse)
{
//确定css保存的绝对路径
cssSavePath = dirConfig.UseWebSite ? Path.GetFullPath(PathUtility.GetSaveDir(this.PageUrl, cssUrl, dirConfig.HtmlDirPath) + cResponse.GetFileName()) : Path.GetFullPath(dirConfig.CssDirPath + "\\" + cResponse.GetFileName());
//获取css内容
cssContent = cResponse.GetContent(null, false);
//异步下载css里引用的图片，并替换css内容中图片地址的引用
cssContent = this.ReplaceBackgroundUrl(cssContent, cssUrl, dirConfig, Path.GetDirectoryName(cssSavePath), dirConfig.ImgDirPath, true, dicPlaceCss);
//确定异步下载都已经下载完成,将css内容中的占位符替换为图片下载完成后对应的相对路径
cssContent = this.ReplacePlaceHolder(cssContent, dicPlaceCss);
//保存css文件，获取保存以后的本地路径
filePath = FileUtility.SaveText(cssSavePath, cssContent, cResponse.GetEncoding());
//css中的图片都下载完成并且css文件也下载完成，此处设置占位符对应的引用路径
lock (dic)
{
//将css文件本地路径转换为一个引用路径
dic[placeHolder] = filePath == null ? cssUrl : PathUtility.GetRelativePath(dirConfig.HtmlDirPath, filePath);
}
}
}
});
#endregion
//返回占位符
return placeHolder;
}, true, dic));
});
#endregion
#region 保存所有JS
htmlContent = RegexCollection.RegScriptLink.Replace(htmlContent, delegate(Match match)
{
return(this.MatchUrl(match, dirConfig, this.pageUrl, dirConfig.HtmlDirPath, dirConfig.JsDirPath, "src", null, null, true, dic));
});
#endregion
#region 保存所有图片
htmlContent = RegexCollection.RegImg.Replace(htmlContent, delegate(Match match)
{
return(this.MatchUrl(match, dirConfig, this.pageUrl, dirConfig.HtmlDirPath, dirConfig.ImgDirPath, "src", null, null, true, dic));
});
#endregion
#region 保存所有Flash
htmlContent = RegexCollection.RegFlash.Replace(htmlContent, delegate(Match match)
{
return(this.MatchUrl(match, dirConfig, this.pageUrl, dirConfig.HtmlDirPath, dirConfig.FlashDirPath, "src", null, null, true, dic));
});
#endregion
#region 当前页面内嵌css中的图片
htmlContent = this.ReplaceBackgroundUrl(htmlContent, this.PageUrl, dirConfig, dirConfig.HtmlDirPath, dirConfig.ImgDirPath, true, dic);
#endregion
//确定异步下载都已经下载完成,将html内容中的占位符替换为资源下载完成后对应的相对路径
htmlContent = this.ReplacePlaceHolder(htmlContent, dic);
return(FileUtility.SaveText(Path.GetFullPath(dirConfig.HtmlDirPath + "\\" + fileName), htmlContent, this.encode));
}
/// <summary>
/// 替换将js、css、图片、flash等文件下载到本地后，调用此方法获取在页面中引用本地文件的路径
/// </summary>
/// <param name="match">匹配到的js、css、图片、flash等标签的正则实例</param>
/// <param name="dirConfig">目录配置的实例，从中判断是否根据url结构保存</param>
/// <param name="resourceUrl">当前html页面或者css文件的url。此url用于将其内容中的相对地址转换为绝对地址并下载</param>
/// <param name="referenceDir">引用图片的文件所在目录（可能是html文件所在目录，也能是css文件所在目录）</param>
/// <param name="saveDir">下载文件存放的目录</param>
/// <param name="regGroupName">指定匹配url的正则分组的组名</param>
/// <param name="urlHandle">指定对匹配url(也就是href或者src)进行处理的函数回调，此回调主要对url进行一些处理（例如去引号等等）</param>
/// <param name="downloadHandle">指定自定义下载处理的函数回调，此回调返回下载文件的本地路径或者占位符</param>
/// <param name="async">是否异步下载</param>
/// <param name="dic">记录异步下载信息的字典</param>
/// <returns>返回替换后的标签字符串</returns>
internal string MatchUrl(Match match, DirConfig dirConfig, string resourceUrl, string referenceDir, string saveDir, string regGroupName, MatchCallback urlHandle, MatchCallback downloadHandle, bool async, Dictionary <string, string> dic)
{
//文件的地址（可能是相对也可能是绝对）、文件的绝对Url地址、以及保存到本地以后的本地路径
string href, url, localPath = "";
href = match.Groups[regGroupName].Value;
if (null != urlHandle)
{
href = urlHandle(href);
}
url = PathUtility.ConvertToAbsoluteHref(resourceUrl ?? this.pageUrl, href);
//如果设置了根据网站url结构按对应目录存储资源，则重新设置保存目录的路径
if (dirConfig.UseWebSite)
{
saveDir = PathUtility.GetSaveDir(this.PageUrl, url, dirConfig.HtmlDirPath);
}
//如果使用异步下载
if (async)
{
//如果未指定异步下载函数
if (null == downloadHandle)
{
localPath = this.GetPlaceHolder();
//开始异步下载资源
Spider.SaveResourceAsync(url, saveDir, new Action <string>(delegate(string filePath)
{
lock (dic)
{
dic[localPath] = null == filePath ? url : PathUtility.GetRelativePath(referenceDir, filePath);
}
}));
}
else
{
localPath = downloadHandle(url);
}
if (!dic.ContainsKey(localPath))
{
lock (dic)
{
dic.Add(localPath, null);
}
}
}//如果使用同步下载
else
{
if (null == downloadHandle)
{
//保存文件，如果成功，则返回文件保存后的本地路
localPath = Spider.SaveResource(url, saveDir);
}
else
{
localPath = downloadHandle(url);
}
//如果保存失败，则引用绝对url地址
if (string.IsNullOrEmpty(localPath))
{
localPath = url;
}
else
{
localPath = PathUtility.GetRelativePath(referenceDir, localPath);
}
}
//使用localPath替换html内容中的引用路径
return(match.Value.Replace(href, localPath));
}
/// <summary>
///使用同步方式下载，将html内容保存为html文件，并将html内容中引用的图片，css，js，flash都保存到本地，然后将html内容中引用的地址都转换为相对地址
/// </summary>
/// <param name="fileName">保存的文件名</param>
/// <param name="ignoreScript">保存的时候是否忽略Script标签，若为true，则忽略JS</param>
/// <param name="dirConfig">页面下载文件夹相关配置信息</param>
/// <returns>如果下载成功，返回文件的本地路径，否则返回null</returns>
public string SaveHtmlAndResource(string fileName, bool ignoreScript, DirConfig dirConfig)
{
string htmlContent = this.html;
if (!dirConfig.CheckLegal())
{
throw new SpiderException("路径配置不在统一磁盘下");
}
dirConfig.CreateDir();
if (string.IsNullOrEmpty(this.pageUrl))
{
throw new SpiderException("未指定当前url");
}
//如果忽略JS
if (ignoreScript)
{
htmlContent = this.FilterScript();
}
#region 保存所有css和css中引用的图片
htmlContent = RegexCollection.RegCssLink.Replace(htmlContent, delegate(Match match)
{
//由于css文件里有可能引用图片，所以在此处需要自定义css文件下载函数，将css文件中的图片下载到本地然后替换css文件中的引用路径
return(this.MatchUrl(match, dirConfig, this.pageUrl, dirConfig.HtmlDirPath, dirConfig.CssDirPath, "src", null, delegate(string cssUrl)
{
//css内容、css保存路径
string cssContent, cssSavePath = cssUrl;
CHttpWebRequest cRequest;
CHttpWebResponse cResponse;
//请求css文件
cRequest = Spider.CreateRequest(cssUrl);
cRequest.SetHeader("Referer", this.PageUrl);
cResponse = Spider.Get(cRequest);
//如果请求成功
if (cResponse.Success)
{
using (cResponse)
{
//确定css文件保存的绝对路径
cssSavePath = dirConfig.UseWebSite ? Path.GetFullPath(PathUtility.GetSaveDir(this.PageUrl, cssUrl, dirConfig.HtmlDirPath) + cResponse.GetFileName()) : Path.GetFullPath(dirConfig.CssDirPath + "\\" + cResponse.GetFileName());
//获取css内容
cssContent = cResponse.GetContent(null, false);
//下载css里引用的图片，并替换css内容中图片地址的引用
cssContent = this.ReplaceBackgroundUrl(cssContent, cssUrl, dirConfig, Path.GetDirectoryName(cssSavePath), dirConfig.ImgDirPath, false, null);
//将css保存到本地
cssSavePath = FileUtility.SaveText(cssSavePath, cssContent, cResponse.GetEncoding());
}
}
//返回保存以后的css本地路径
return cssSavePath;
}));
});
#endregion
#region 保存所有JS
htmlContent = RegexCollection.RegScriptLink.Replace(htmlContent, delegate(Match match)
{
return(this.MatchUrl(match, dirConfig, this.pageUrl, dirConfig.HtmlDirPath, dirConfig.JsDirPath, "src", null, null));
});
#endregion
#region 保存所有图片
htmlContent = RegexCollection.RegImg.Replace(htmlContent, delegate(Match match)
{
return(this.MatchUrl(match, dirConfig, this.pageUrl, dirConfig.HtmlDirPath, dirConfig.ImgDirPath, "src", null, null));
});
#endregion
#region 保存所有Flash
htmlContent = RegexCollection.RegFlash.Replace(htmlContent, delegate(Match match)
{
return(this.MatchUrl(match, dirConfig, this.pageUrl, dirConfig.HtmlDirPath, dirConfig.FlashDirPath, "src", null, null));
});
#endregion
#region 当前页面内嵌css中的图片
htmlContent = this.ReplaceBackgroundUrl(htmlContent, this.PageUrl, dirConfig, dirConfig.HtmlDirPath, dirConfig.ImgDirPath, false, null);
#endregion
return(FileUtility.SaveText(Path.GetFullPath(dirConfig.HtmlDirPath + "\\" + fileName), htmlContent, this.encode));
}