本篇内容主要讲解“怎么用.net core 实现简单爬虫”,感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷,实用性强。下面就让小编来带大家学习“怎么用.net core 实现简单爬虫”吧!
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:
从中我们可以分析出:
请求地址 https://www.cnblogs.com/mvc/AggSite/PostList.aspx
请求方式 Post
请求数据
{
"CategoryType":"SiteHome",
"ParentCategoryId":0,
"CategoryId":808,
"PageIndex":3,
"TotalPostCount":4000,
"ItemListActionName":"PostList"
}
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:
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();
运行截图:
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、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。
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
解析返回的数据
贴一下返回的部分数据:
<div class="post_item">
<div class="digg">
<div class="diggit" onclick="DiggPost('yaoxiaowen',7470460,318439,1)">
<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">
<h4><a class="titlelnk" href="http://www.cnblogs.com/yaoxiaowen/p/7470460.html" target="_blank">关于跨平台的一些认识</a></h4>
<p class="post_item_summary">
<a href="http://www.cnblogs.com/yaoxiaowen/" 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 href="http://www.cnblogs.com/yaoxiaowen/" class="lightblue">eleven_yw</a>
发布于 2017-09-03 22:12
<span class="article_comment"><a href="http://www.cnblogs.com/yaoxiaowen/p/7470460.html#commentform" title="2017-09-04 15:23" class="gray">
评论(2)</a></span><span class="article_view"><a href="http://www.cnblogs.com/yaoxiaowen/p/7470460.html" class="gray">阅读(210)</a></span></div>
</div>
<div class="clear"></div>
</div>
<div class="post_item">
<div class="digg">
<div class="diggit" onclick="DiggPost('loseheart',7471197,375716,1)">
<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">
<h4><a class="titlelnk" href="http://www.cnblogs.com/loseheart/p/7471197.html" target="_blank">2017年9月3日 实现网站的权限管理</a></h4>
<p class="post_item_summary">
<a href="http://www.cnblogs.com/loseheart/" 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 href="http://www.cnblogs.com/loseheart/" class="lightblue">Loseheart</a>
发布于 2017-09-03 21:34
<span class="article_comment"><a href="http://www.cnblogs.com/loseheart/p/7471197.html#commentform" title="" class="gray">
评论(0)</a></span><span class="article_view"><a href="http://www.cnblogs.com/loseheart/p/7471197.html" class="gray">阅读(354)</a></span></div>
</div>
<div class="clear"></div>
</div>
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、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 <div class="post_item"> | <div class="post_item_body"> | h4 | a | Text
博文地址 <div class="post_item"> | <div class="post_item_body"> | h4 | 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、地址和作者的代码,抓取其他信息可以自己参考试一试:
//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)
{
//获取包含博文和地址的 a 标签
var nodeA = item.SelectSingleNode("h4/a");
//获取博文
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($"{title} | 作者:{author} | 地址:{url}");
}
运行截图:
四.循环抓取多个分页
前面我们分析出请求参数中的 PageIndex 是页数,分析单个页面的代码我们也写出来来,那么我们可以通过循环递增页数,来达到抓取不同分页数据的要求。
贴一下完整的代码
int pageIndex = 1;//页数
int maxPageIndex = 10;//最大页数
HttpHelpers httpHelpers=new HttpHelpers();
for (int i = 0; i < maxPageIndex; i++)
{
HttpItems items = new HttpItems();
items.Url = "https://www.cnblogs.com/mvc/AggSite/PostList.aspx";//请求地址
items.Method = "Post";//请求方式 post
items.Postdata = "{\"CategoryType\":\"SiteHome\"," +
"\"ParentCategoryId\":0," +
"\"CategoryId\":808," +
"\"PageIndex\":" + (i+1) + "," + //因为i从0开始 所以此处我们要加1
"\"TotalPostCount\":4000," +
"\"ItemListActionName\":\"PostList\"}";//请求数据
HttpResults hr = httpHelpers.GetHtml(items);
//解析数据
HtmlDocument doc = new HtmlDocument();
//加载html
doc.LoadHtml(hr.Html);
//获取 class=post_item_body 的div列表
HtmlNodeCollection itemNodes = doc.DocumentNode.SelectNodes("div[@class='post_item']/div[@class='post_item_body']");
Console.WriteLine($"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)
{
//获取包含博文和地址的 a 标签
var nodeA = item.SelectSingleNode("h4/a");
//获取博文
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($"{title} | 作者:{author} | 地址:{url}");
}
//每抓取一页数据 暂停三秒
Thread.Sleep(3000);
}
Console.ReadKey();
运行截图:
一个简单的.net core实现的简单爬虫就此完成!
到此,相信大家对“怎么用.net core 实现简单爬虫”有了更深的了解,不妨来实际操作一番吧!这里是编程网网站,更多相关内容可以进入相关频道进行查询,关注我们,继续学习!