C#论坛-玄机论坛-C#论坛-玄机宝盒-玄机类库-C#

 找回密码
 关闭注册

QQ登录

只需一步,快速开始

查看: 6323|回复: 7

[资源分享] .net core 实现简单爬虫—抓取博客园的博文列表

[复制链接]
辰晓晨 发表于 2017-9-5 17:03:56 | 显示全部楼层 |阅读模式

玄机论坛-专业的C#交流论坛 交流QQ群: 16885911
如有疑问,请加入官方群询问

您需要 登录 才可以下载或查看,没有帐号?关闭注册

x
本帖最后由 辰晓晨 于 2017-9-5 17:25 编辑

一.介绍一个Http请求框架HttpCode.Core


HttpCode.Core 源自于HttpCode传送门),不同的是 HttpCode.Core是基于.net standard 2.0实现的,移除了HttpCode与windows相耦合的api,且修改了异步实现,其余特性完全与HttpCode相同,大家 如果在使用中有什么问题可以查看在线文档(传送门
HttpCode.Core完全开源,已传到github,地址:https://github.com/stulzq/HttpCode.Core
为了方便大家使用,也传到了nuget,地址:https://www.nuget.org/packages/HttpCode.Core/,在nuget中搜索 HttpCode.Core 或执行命令 Install-Package HttpCode.Core 就可以使用了。
具体的使用方法大家可以查阅在线文档,或者查看github。
简单、易用、高效 一个有态度的开源.Net Http请求框架!
二.分析抓取地址
首先使用谷歌浏览器的开发者工具,抓取博客园首页获取博文列表的地址:

668104-20170904164647163-1555707456.png
从中我们可以分析出:
1. 请求地址  https://www.cnblogs.com/mvc/AggSite/PostList.aspx
2.请求方式  Post
3.请求数据
[mw_shl_code=csharp,true]{
    "CategoryType":"SiteHome",
    "ParentCategoryId":0,
    "CategoryId":808,
    "PageIndex":3,
    "TotalPostCount":4000,
    "ItemListActionName":"PostList"
}[/mw_shl_code]
请求数据中,我们应当关心的是  PageIndex  代表的是 页数,我们可通过变换这个参数的值来获取不同页面的数据。
我们先使用HttpCode.Core来试一试获取数据:
[mw_shl_code=csharp,true]int pageIndex = 1;//页数
HttpHelpers httpHelpers=new HttpHelpers();
HttpItems items=new HttpItems();
items.Url = "https://www.cnblogs.com/mvc/AggSite/PostList.aspx";//请求地址
items.Method = "Post";//请求方式 post
items.Postdata = "{\"CategoryType\":\"SiteHome\"," +
                    "\"ParentCategoryId\":0," +
                    "\"CategoryId\":808," +
                    "\"PageIndex\":"+ pageIndex + "," +
                    "\"TotalPostCount\":4000," +
                    "\"ItemListActionName\":\"PostList\"}";//请求数据
HttpResults hr = httpHelpers.GetHtml(items);
Console.WriteLine(hr.Html);
Console.ReadKey();[/mw_shl_code]
运行截图:
668104-20170904165717116-1737839929.png
可以看到我们已经成功获取了数据,证明我们的分析是正确的。

三.解析返回的数据
刚刚我们测试接口返回的数据可以看出返回的是一堆html字符串。我们只想要博文的标题、作者、博文地址等等信息,我们不需要多余的html字符串,下面我们使用  HtmlAgilityPack 这个解析网页的组件来获得我们想要的数据。
关于这个组件的使用,博客园已经有不少介绍此组件的文档,大家可以搜索查看,使用此组件需具备xpath相关知识,我就不在此详细叙述了。
1.首先通过nuget安装 HtmlAgilityPack  组件
  打开程序包控制台
  执行命令 Install-Package HtmlAgilityPack -Version 1.5.2-beta6
2. 解析返回的数据
贴一下返回的部分数据:
[mw_shl_code=csharp,true]<div class="post_item">
<div class="digg">
    <div class="diggit">
    <span class="diggnum" id="digg_count_7470460">4</span>
    </div>
    <div class="clear"></div>
    <div id="digg_tip_7470460" class="digg_tip"></div>
</div>      
<div class="post_item_body">
    <h3><a class="titlelnk"  target="_blank">关于跨平台的一些认识</a></h3>                  
    <p class="post_item_summary">
<a  target="_blank"><img width="48" height="48" class="pfs" src="//pic.cnblogs.com/face/918357/20161122225949.png" alt=""/></a>    前段时间看了 周志明的那本 《深入理解java虚拟机》。对于 平台无关性 问题,有了一些新的认识。所以特写一篇博客来进行总结。 这是我的第一篇不针对具体技术,而只针对计算机系统和原理的博客文章,而这种话题,总是比较宽泛,而我本人的水平有限,所以我也只能泛泛的写写,思考的不对的地方,还望读者不吝批评。 ...
    </p>              
    <div class="post_item_foot">                    
    <a  class="lightblue">eleven_yw</a>
    发布于 2017-09-03 22:12
    <span class="article_comment"><a  title="2017-09-04 15:23" class="gray">
        评论(2)</a></span><span class="article_view"><a  class="gray">阅读(210)</a></span></div>
</div>
<div class="clear"></div>
</div>
<div class="post_item">
<div class="digg">
    <div class="diggit">
    <span class="diggnum" id="digg_count_7471197">0</span>
    </div>
    <div class="clear"></div>
    <div id="digg_tip_7471197" class="digg_tip"></div>
</div>      
<div class="post_item_body">
    <h3><a class="titlelnk"  target="_blank">2017年9月3日  实现网站的权限管理</a></h3>                  
    <p class="post_item_summary">
<a  target="_blank"><img width="48" height="48" class="pfs" src="//pic.cnblogs.com/face/1224591/20170823222646.png" alt=""/></a>    现在各个企业管理网站对登录的账号都要进行权限管理,并且相当重要,每个账号登录进去所能看到的东西大不相同,下面是实现该功能的一个的一种方法。 需求: 权限:权限是使用者操作系统中功能模块的能力,如“角色管理”模块、“资费管 理”模块和“账单管理”模块等。通过指定权限,可将使用者的操作限定在指定的 范围 ...
    </p>              
    <div class="post_item_foot">                    
    <a  class="lightblue">Loseheart</a>
    发布于 2017-09-03 21:34
    <span class="article_comment"><a  title="" class="gray">
        评论(0)</a></span><span class="article_view"><a  class="gray">阅读(354)</a></span></div>
</div>
<div class="clear"></div>
</div>[/mw_shl_code]
从中我们不难看出每一个数据是以class=post_item的div来进行区分的,我们想要的博文地址、标题等是在这个div里面的class=post_item_body的div里面,以此类推我们可以分析出:
  • 博文标题 <div class="post_item"> | <div class="post_item_body"> | h3 | a | Text
  • 博文地址 <div class="post_item"> | <div class="post_item_body"> | h3 | a | href
  • ..以此类推
因为HtmlAgilityPack是通过xpath来解析网页的,所以现在我们要根据我们上面分析出的路径来写xpath,这里不明白xpath的可以去w3cschool学习一下,非常简单。
下面是我写好的解析博文标题、地址和作者的代码,抓取其他信息可以自己参考试一试:
[mw_shl_code=csharp,true]//解析数据
HtmlDocument doc=new HtmlDocument();
//加载html
doc.LoadHtml(hr.Html);

//获取 class=post_item_body 的div列表
HtmlNodeCollection itemNodes = doc.DocumentNode.SelectNodes("div[@class='post_item']/div[@class='post_item_body']");

//循环根据每个div解析我们想要的数据

foreach (var item in itemNodes)
{
    //获取包含博文标题和地址的 a 标签
    var nodeA = item.SelectSingleNode("h3/a");
    //获取博文标题
    string title = nodeA.InnerText;
    //获取博文地址 a标签的 href 属性
    string url = nodeA.GetAttributeValue("href", "");

    //获取包含作者名字的 a 标签
    var nodeAuthor = item.SelectSingleNode("div[@class='post_item_foot']/a[@class='lightblue']");
    string author = nodeAuthor.InnerText;

    Console.WriteLine($"标题:{title} | 作者:{author} | 地址:{url}");
}[/mw_shl_code]
运行截图:
QQ截图20170905170205.jpg

四.循环抓取多个分页
前面我们分析出请求参数中的 PageIndex  是页数,分析单个页面的代码我们也写出来来,那么我们可以通过循环递增页数,来达到抓取不同分页数据的要求。
贴一下完整的代码
[mw_shl_code=csharp,true]int pageIndex = 1;//页数
int maxPageIndex = 10;//最大页数
HttpHelpers httpHelpers=new HttpHelpers();

for (int i = 0; i < maxPageIndex; i++)
{
    HttpItems items = new HttpItems();
    items.Url = "https://www.cnblogs.com/mvc/AggSite/PostList.aspx";//请求地址
    items.Method = "Post";//请求方式 post
    items.Postdata = "{\"CategoryType\":\"SiteHome\"," +
                        "\"ParentCategoryId\":0," +
                        "\"CategoryId\":808," +
                        "\"PageIndex\":" + (i+1) + "," + //因为i从0开始 所以此处我们要加1
                        "\"TotalPostCount\":4000," +
                        "\"ItemListActionName\":\"PostList\"}";//请求数据
    HttpResults hr = httpHelpers.GetHtml(items);

    //解析数据
    HtmlDocument doc = new HtmlDocument();
    //加载html
    doc.LoadHtml(hr.Html);

    //获取 class=post_item_body 的div列表
    HtmlNodeCollection itemNodes = doc.DocumentNode.SelectNodes("div[@class='post_item']/div[@class='post_item_body']");

    Console.WriteLine($"第{i+1}页数据:");

    //循环根据每个div解析我们想要的数据
    foreach (var item in itemNodes)
    {
        //获取包含博文标题和地址的 a 标签
        var nodeA = item.SelectSingleNode("h3/a");
        //获取博文标题
        string title = nodeA.InnerText;
        //获取博文地址 a标签的 href 属性
        string url = nodeA.GetAttributeValue("href", "");

        //获取包含作者名字的 a 标签
        var nodeAuthor = item.SelectSingleNode("div[@class='post_item_foot']/a[@class='lightblue']");
        string author = nodeAuthor.InnerText;
        //输出数据
        Console.WriteLine($"标题:{title} | 作者:{author} | 地址:{url}");
    }

    //每抓取一页数据 暂停三秒
    Thread.Sleep(3000);
}
            
Console.ReadKey();[/mw_shl_code]

运行截图:
668104-20170905092802585-355850243.gif

一个简单的.net core实现的简单爬虫就此完成!

Demo下载




评分

参与人数 1紫晶 +666 收起 理由
君临 + 666 感谢分享,很给力!~

查看全部评分

玄机论坛-专业的C#交流论坛 交流QQ群: 16885911
帖子内网盘失效后请使用下面地址

http://bbs.msdn5.com/forum.php?mod=viewthread&tid=1218
如果失效请联系站长重新分享
回复

使用道具 举报

zifeng 发表于 2017-9-20 01:02:46 | 显示全部楼层
111111166666666666666666
玄机论坛-专业的C#交流论坛 交流QQ群: 16885911
帖子内网盘失效后请使用下面地址

http://bbs.msdn5.com/forum.php?mod=viewthread&tid=1218
如果失效请联系站长重新分享
回复 支持 反对

使用道具 举报

YoGalin 发表于 2017-10-18 11:54:12 | 显示全部楼层
感谢分享,很给力!~
玄机论坛-专业的C#交流论坛 交流QQ群: 16885911
帖子内网盘失效后请使用下面地址

http://bbs.msdn5.com/forum.php?mod=viewthread&tid=1218
如果失效请联系站长重新分享
回复 支持 反对

使用道具 举报

不会飞的超人 发表于 2018-4-21 11:00:13 | 显示全部楼层
哪里下载?
玄机论坛-专业的C#交流论坛 交流QQ群: 16885911
帖子内网盘失效后请使用下面地址

http://bbs.msdn5.com/forum.php?mod=viewthread&tid=1218
如果失效请联系站长重新分享
回复

使用道具 举报

学习socket 发表于 2018-4-25 09:59:27 | 显示全部楼层
爬虫就是抓取数据吗
玄机论坛-专业的C#交流论坛 交流QQ群: 16885911
帖子内网盘失效后请使用下面地址

http://bbs.msdn5.com/forum.php?mod=viewthread&tid=1218
如果失效请联系站长重新分享
回复 支持 反对

使用道具 举报

ycs 发表于 2018-11-9 13:19:21 | 显示全部楼层
试试效果呢。
玄机论坛-专业的C#交流论坛 交流QQ群: 16885911
帖子内网盘失效后请使用下面地址

http://bbs.msdn5.com/forum.php?mod=viewthread&tid=1218
如果失效请联系站长重新分享
回复 支持 反对

使用道具 举报

ycs 发表于 2018-11-9 13:19:42 | 显示全部楼层
试试效果呢。
玄机论坛-专业的C#交流论坛 交流QQ群: 16885911
帖子内网盘失效后请使用下面地址

http://bbs.msdn5.com/forum.php?mod=viewthread&tid=1218
如果失效请联系站长重新分享
回复 支持 反对

使用道具 举报

fy5388 发表于 2021-11-26 21:01:09 | 显示全部楼层
#在这里快个简单的.net core实现的简单爬虫就此完成!速回复#
玄机论坛-专业的C#交流论坛 交流QQ群: 16885911
帖子内网盘失效后请使用下面地址

http://bbs.msdn5.com/forum.php?mod=viewthread&tid=1218
如果失效请联系站长重新分享
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 关闭注册

本版积分规则

关闭

站长推荐上一条 /2 下一条

QQ|玄机论坛

GMT+8, 2024-3-29 17:35 , Processed in 0.226028 second(s), 19 queries .

Powered by Discuz! X3.4

© 2001-2017 Comsenz Inc.

快速回复 返回顶部 返回列表