C#爬虫开发小结

前言

2023年以来一直很忙，临近春节，各种琐事更多，但鸽了太久没写文章总是不舒坦，忙中偷闲来记录下最近用C#写爬虫的一些笔记。

爬虫一般都是用Python来写，生态丰富，动态语言开发速度快，调试也很方便

但是

我要说但是，动态语言也有其局限性，笔者作为老爬虫带师，几乎各种语言都搞过，现在这个任务并不复杂，用我最喜欢的C#做小菜一碟~

开始

之前做 OneCat 项目的时候，最开始的数据采集模块，就是用 C# 做的，同时还集成了 Chloe 作为 ORM，用 Nancy 做 HTTP 接口，结合 C# 强大的并发功能，做出来的效果不错。

这次是要爬一些壁纸，很简单的场景，于是沿用了之前 OneCat 项目的一些工具类，并且做了一些改进。

HttpHelper

网络请求直接使用 .Net Core 标准库的 HttpClient，这个库要求使用单例，在 AspNetCore 里一般用依赖注入，不过这次简单的爬虫直接用 Console 程序就行。

把 HTML 爬下来后，还需要解析，在Python中一般用 BeautifulSoup，在C#里可以用 AngleSharp ，也很好用~

为了使用方便，我又封装了一个工具类，把 HttpClient 和 AngleSharp 集成在一起。

public static class HttpHelper {

    public const string UserAgent =

        "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36";

    public static HttpClientHandler Handler { get; }

    public static HttpClient Client { get; }

    static HttpHelper() {

        Handler = new HttpClientHandler();

        Client = new HttpClient(Handler);

        Client.DefaultRequestHeaders.Add("User-Agent", UserAgent);

    }

    public static async Task<IHtmlDocument> GetHtmlDocument(string url) {

        var html = await Client.GetStringAsync(url);

        // todo 这个用法有内存泄漏问题，得优化一下

        return new HtmlParser().ParseDocument(html);

    }

    public static async Task<IHtmlDocument> GetHtmlDocument(string url, string charset) {

        var res = await Client.GetAsync(url);

        var resBytes = await res.Content.ReadAsByteArrayAsync();

        var resStr = Encoding.GetEncoding(charset).GetString(resBytes);

        // todo 这个用法有内存泄漏问题，得优化一下

        return new HtmlParser().ParseDocument(resStr);

    }

}

这段代码里面有俩 todo ，这个内存泄漏的问题在简单的爬虫中影响不大，所以后面有大规模的需求再来优化吧~

搞HTML

大部分爬虫是从网页上拿数据

如果网页是后端渲染出来的话，没有js动态加载数据，基本上用CSS选择器+正则表达式就可以拿到任何想要的数据。

经过前面的封装，请求网页+解析HTML只需要一行代码

IHtmlDocument data = await HttpHelper.GetHtmlDocument(url);

拿到 IHtmlDocument 对象之后，用 QuerySelector 传入css选择器，就可以拿到各种元素了。

例如这样，取出 <li> 元素下所有链接的地址

var data = await HttpHelper.GetHtmlDocument(url);

foreach (var item in data.QuerySelectorAll(".pagew li")) {

    var link = item.QuerySelector("a");

    var href = link?.GetAttribute("href");

    if (href != null) await CrawlItem(href);

}

或者结合正则表达式

var data = await HttpHelper.GetHtmlDocument(url);

var page = data.QuerySelector(".pageinfo");

Console.WriteLine("拿到分页信息：{0}", page?.TextContent);

var match = Regex.Match(page?.TextContent ?? "", @"共\s(\d+)页(\d+)条");

var pageCount = int.Parse(match.Groups[1].Value);

for (int i = 1; i <= pageCount; i++) {

    await CrawlPage(i);

}

正则表达式非常好用，爬虫必备~

这里再推荐一个好用的东西，菜鸟工具的在线正则表达式测试，拿到一个字符串之后，先在测试器里面写出一个能匹配的正则，再放到程序里，效率更高~

地址: https://c.runoob.com/front-end/854/

JSON 处理

老生常谈的问题了

JSON 在 web 开发中很常见，无论是接口交互，还是本地保存数据，这都是一种很好的格式

.Net Core 自带的 System.Text.Json 还不错，不需要手动安装依赖，没有特殊需求的话，直接用这个就好了

这里的场景是要把采集的数据存到 JSON 里，即序列化，用以下的配置代码一把梭即可，可以应付大多数场景

var jsonOption = new JsonSerializerOptions {

    WriteIndented = true,

    Encoder = JavaScriptEncoder.UnsafeRelaxedJsonEscaping

};

写入文件

await File.WriteAllTextAsync("path", JsonSerializer.Serialize(data, jsonOption));

扩展阅读

下载文件

最简单就是直接用 HttpClient 获取 Response，然后 CopyToAsync 写到文件流里面

这个用法拿来下载几个小文件还可以，但多线程下载、断点重连、失败重试等方法就得自己实现了，比较繁琐。

所以这次我直接用了第三方库 Downloader，这个库看起来很猛，功能很多，我就不翻译了，详情见项目主页

项目地址: https://github.com/bezzad/Downloader

同样的，我把下载的功能也封装到 HttpHelper中

增加这部分代码

public static IDownloadService Downloader { get; }

public static DownloadConfiguration DownloadConf => new DownloadConfiguration {

    BufferBlockSize = 10240, // 通常，主机最大支持8000字节，默认值为8000。

    ChunkCount = 8, // 要下载的文件分片数量，默认值为1

    // MaximumBytesPerSecond = 1024 * 50, // 下载速度限制，默认值为零或无限制

    MaxTryAgainOnFailover = 5, // 失败的最大次数

    ParallelDownload = true, // 下载文件是否为并行的。默认值为false

    Timeout = 1000, // 每个 stream reader  的超时（毫秒），默认值是1000

    RequestConfiguration = {

        Accept = "*/*",

        AutomaticDecompression = DecompressionMethods.GZip | DecompressionMethods.Deflate,

        CookieContainer = new CookieContainer(), // Add your cookies

        Headers = new WebHeaderCollection(), // Add your custom headers

        KeepAlive = true,

        ProtocolVersion = HttpVersion.Version11, // Default value is HTTP 1.1

        UseDefaultCredentials = false,

        UserAgent = UserAgent

    }

};

static HttpHelper() {

    // ...

    Downloader = new DownloadService(DownloadConf);

}

使用方法依然是一行代码

await HttpHelper.Downloader.DownloadFileTaskAsync(url, filepath);

不过这次没有直接封装一个下载的方法，而是把 IDownloadService 对象做成属性，因为下载的时候往往要加一些“buff”

比如监听下载进度，看下面的代码

HttpHelper.Downloader.DownloadStarted += DownloadStarted;

HttpHelper.Downloader.DownloadFileCompleted += DownloadFileCompleted;

HttpHelper.Downloader.DownloadProgressChanged += DownloadProgressChanged;

HttpHelper.Downloader.ChunkDownloadProgressChanged += ChunkDownloadProgressChanged;

这个库提供了四个事件，分别是：

下载开始
下载完成
下载进度变化
分块下载进度变化

进度条

有了这些事件，就可以实现下载进度条展示了，接下来介绍的进度条，也是 Downloader 这个库官方例子中使用的

项目地址: https://github.com/Mpdreamz/shellprogressbar

首先，把官网上的例子忘记吧，那几个例子实际作用不大。

Tick模式

这个进度条有两种模式，一种是它自己的 Tick 方法，先定义总任务数量，执行一次表示完成一个任务，比如这个：

using var bar = new ProgressBar(10, "正在下载所有图片", BarOptions);

上面代码定义了10个任务，每执行一次 bar.Tick() 就表示完成一次任务，执行10次后就整个完成~

`IProgress<T>` 模式

这个 IProgress<T> 是C#标准库的类型，用来处理进度条的。

ProgressBar 对象可以使用 AsProgress<T> 方法转换称 IProgress<T> 对象，然后调用 IProgress<T> 的 Report 方法，报告进度。

这个就很适合下载进度这种非线性的任务，每次更新时，完成的进度都不一样

Downloader的下载进度更新事件，用的是百分比，所以用这个 IProgress<T> 模式就很合适。

进度条嵌套

本爬虫项目是要采集壁纸，壁纸的形式是按图集组织的，一个图集下可能有多个图片

为了应对这种场景，可以用一个进度条显示总进度，表示当前正在下载某个图集

然后再嵌套子进度条，表示正在下载当前图集的第n张图片

然后的然后，再套娃一个孙子进度条，表示具体图片的下载进度（百分比）

这里用到的是 ProgressBar 的 Spawn 方法，会生成一个 ChildProgressBar 对象，此时更新子进度条对象的值就好了。

直接看代码吧

var list = // 加载图集列表

using var bar = new ProgressBar(list.Count, "正在下载所有图片", BarOptions);

foreach (var item in list) {

    bar.Message = $"图集：{item.Name}";

    bar.Tick();

    foreach (var imgUrl in item.Images) {

        using (var childBar = bar.Spawn(item.ImageCount,$"图片：{imgUrl}",ChildBarOptions)) {

            childBar.Tick();

            // 具体的下载代码

        }

    }

}

这样就实现了主进度条显示下载了第几个图集，子进度条显示下载到第几张图片。

然后具体下载代码中，使用 Downloader 的事件监听，再 Spawn 一个新的进度条显示单张图片的下载进度。

代码如下：

private async Task Download(IProgressBar bar, string url, string filepath) {

    var percentageBar = bar.Spawn(100, $"正在下载：{Path.GetFileName(url)}", PercentageBarOptions);

    HttpHelper.Downloader.DownloadStarted += DownloadStarted;

    HttpHelper.Downloader.DownloadFileCompleted += DownloadFileCompleted;

    HttpHelper.Downloader.DownloadProgressChanged += DownloadProgressChanged;

    await HttpHelper.Downloader.DownloadFileTaskAsync(url, filepath);

    void DownloadStarted(object? sender, DownloadStartedEventArgs e) {

        Trace.WriteLine(

            $"图片, FileName:{Path.GetFileName(e.FileName)}, TotalBytesToReceive:{e.TotalBytesToReceive}");

    }

    void DownloadFileCompleted(object? sender, AsyncCompletedEventArgs e) {

        Trace.WriteLine($"下载完成, filepath:{filepath}");

        percentageBar.Dispose();

    }

    void DownloadProgressChanged(object? sender, DownloadProgressChangedEventArgs e) {

        percentageBar.AsProgress<double>().Report(e.ProgressPercentage);

    }

}

注意所有的 ProgressBar 对象都需要用完释放，所以这里在 DownloadFileCompleted 事件里面 Dispose 了。

上面的是直接用 using 语句，自动释放。

进度条配置

这个东西的自定义功能还不错。

可以配置颜色、显示字符、显示位置啥的

var barOptions = new ProgressBarOptions {

    ForegroundColor = ConsoleColor.Yellow,

    BackgroundColor = ConsoleColor.DarkYellow,

    ForegroundColorError = ConsoleColor.Red,

    ForegroundColorDone = ConsoleColor.Green,

    BackgroundCharacter = '\u2593',

    ProgressBarOnBottom = true,

    EnableTaskBarProgress = RuntimeInformation.IsOSPlatform(OSPlatform.Windows),

    DisplayTimeInRealTime = false,

    ShowEstimatedDuration = false

};

EnableTaskBarProgress 这个选项可以同时更新Windows任务状态栏上的进度

具体配置选项可以直接看源码，里面注释很详细。

如果 Spawn 出来的子进度条没配置选项，那就会继承上一级的配置。

小结

用 C# 来做爬虫还是舒服的，至少比 Java 好很多

做控制台应用，打包成exe也方便分发

除了本文提到的这些第三方库，使用C#开发控制台应用还有其他好用的玩法

比如下面这俩

做图形界面的话，如果要跨平台，Winform、WPF之类的就不考虑了

微软的MAUI好像有点坑，且没有官方Linux支持，也pass掉

比较成熟的可以选 avalonia

轻量级的可以试试: https://github.com/picoe/Eto

另外，推荐一个工具 RoslynPad，这个好像是模仿 LinqPad 的。

可以像Python写脚本一样快速执行C#代码段，还支持引入nuget包，对于写爬虫或者简单代码实验，非常方便

最关键的是开源免费！LinqPad实在太贵了，RoslynPad现在越更新越好用，感觉慢慢可以赶上 LinqPad 了~

PS：新年的公众号红包封面还没搞，争取今晚搞定~