.net 爬虫框架技术选型

个人认为爬虫框架分抓取框架和分析框架

1）抓取框架

.net 市面上好的似乎不多，选择要素分两种：1.轻量型，2.重量型。

1. 轻量型是可以定制一些特殊的功能或者插件开关形式。总体性能高，速度快。

自己写的webclient，httprequest,httpclient等。或者直接socket编写！

2. 重量型是可以基本模式浏览器，更加傻瓜化，也基本屏蔽了一些反爬虫机制。

如webbrower或者其他的webkit浏览器内核封装的.net框架。

抓取的特殊功能包括：cookie支持（默认），301自动跳转，https默认支持，gzip等压缩默认支持，自动多种方式识别编码，默认模拟浏览器header，模拟css和js执行等等。

当然越是功能强大，性能越差些，但是适应各种情况的能力越强（反爬虫能力），轻量型和重量型适应的抓取场景也都不一样。

技术选择:

HttpHelper(作者是收费的，看了源码，其实功能也不强大；自己也能做，只是原来写的http框架源码没了，急着用暂时用下)

scrapysharp 中的ScrapingBrowser

.net HttpWebRequest 简单封装下

.net webclient 简单封装下

2）分析框架

旧技术：正则表达式

新方式: scrapysharp,HtmlAgilityPack,CsQuery 等等（还有很多）

scrapysharp：扩展自HtmlAgilityPack，非常好用。（支持css选择器方式，快速上手）

http://www.cnblogs.com/arxive/p/7075306.html

HtmlAgilityPack：本来就好用，但是用的时候还是要进行部分算法处理。（支持xpath方式获取，快速上手）

百度一下，资料不少。

CsQuery：似乎对中文 的支持有bug，获取html的时候，中文会乱码，不知道为什么。（支持jq方式获取，快速上手）

https://github.com/jamietre/CsQuery