爬虫系统的意义

爬虫的意义在于采集大批量数据，然后基于此进行加工/分析，做更有意义的事情。谷歌，百度，今日头条，天眼查都离不开爬虫。

今日目标

今天我们来实践一个最简单的爬虫系统。根据Url来识别网页内容。

网页内容识别利器：HtmlAgilityPack

GitHub地址

HtmlAgilityPack官网

HtmlAgilityPack的stackoverflow地址

至今Nuget已有超过900多万的下载量，应用量十分庞大。它提供的文档教程也十分简单易用。

Parser解析器

HtmlParse可以让你解析HTML并返回HtmlDocument

  • FromFile从文件读取
/// <summary>

/// 从文件读取

/// </summary>

public void FromFile() {

var path = @"test.html";

var doc = new HtmlDocument();

doc.Load(path);

var node = doc.DocumentNode.SelectSingleNode("//body");

Console.WriteLine(node.OuterHtml);

}
  • 从字符串加载
/// <summary>

/// 从字符串读取

/// </summary>

public void FromString()

{

var html = @"<!DOCTYPE html>

<html>

<body>

<h1>This is <b>bold</b> heading</h1>

<p>This is <u>underlined</u> paragraph</p>

<h2>This is <i>italic</i> heading</h2>

</body>

</html> ";

var htmlDoc = new HtmlDocument();

htmlDoc.LoadHtml(html);

var htmlBody = htmlDoc.DocumentNode.SelectSingleNode("//body");

Console.WriteLine(htmlBody.OuterHtml);

}
  • 从网络加载
/// <summary>

/// 从网络地址加载

/// </summary>

public void FromWeb() {

var html = @"https://www.cnblogs.com/";

HtmlWeb web = new HtmlWeb();

var htmlDoc = web.Load(html);

var node = htmlDoc.DocumentNode.SelectSingleNode("//div[@id='post_list']");

Console.WriteLine("Node Name: " + node.Name + "\n" + node.OuterHtml);

}

Selectors选择器

选择器允许您从HtmlDocument中选择HTML节点。它提供了两个方法,可以用XPath表达式筛选节点。XPath教程

SelectNodes() 返回多个节点

SelectSingleNode(String) 返回单个节点

简介到此为止，更全的用法参考 http://html-agility-pack.net

查看网页结构

我们以博客园首页为示例。用chrome分析下网页结构，可采集出推荐数，标题，内容Url,内容简要，作者，评论数，阅读数。

编码实现

建立一个Article用来接收文章信息。



public class Article

{

/// <summary>

///

/// </summary>

public string Id { get; set; }

/// <summary>

/// 标题

/// </summary>

public string Title { get; set; }

/// <summary>

/// 概要

/// </summary>

public string Summary { get; set; }

/// <summary>

/// 文章链接

/// </summary>

public string Url { get; set; }

/// <summary>

/// 推荐数

/// </summary>

public long Diggit { get; set; }

/// <summary>

/// 评论数

/// </summary>

public long Comment { get; set; }

/// <summary>

/// 阅读数

/// </summary>

public long View { get; set; }

/// <summary>

///明细

/// </summary>

public string Detail { get; set; }

/// <summary>

///作者

/// </summary>

public string Author { get; set; }

/// <summary>

/// 作者链接

/// </summary>

public string AuthorUrl { get; set; }

}

然后根据网页结构，查看XPath路径，采集内容

/// <summary>

/// 解析

/// </summary>

/// <returns></returns>

public List<Article> ParseCnBlogs()

{

var url = "https://www.cnblogs.com";

HtmlWeb web = new HtmlWeb();

//1.支持从web或本地path加载html

var htmlDoc = web.Load(url);

var post_listnode = htmlDoc.DocumentNode.SelectSingleNode("//div[@id='post_list']");

Console.WriteLine("Node Name: " + post_listnode.Name + "\n" + post_listnode.OuterHtml);

var postitemsNodes = post_listnode.SelectNodes("//div[@class='post_item']");

var articles = new List<Article>();

var digitRegex = @"[^0-9]+";

foreach (var item in postitemsNodes)

{

var article = new Article();

var diggnumnode = item.SelectSingleNode("//span[@class='diggnum']");

//body

var post_item_bodynode = item.SelectSingleNode("//div[@class='post_item_body']");

var titlenode = post_item_bodynode.SelectSingleNode("//a[@class='titlelnk']");

var summarynode = post_item_bodynode.SelectSingleNode("//p[@class='post_item_summary']");

//foot

var footnode = item.SelectSingleNode("//div[@class='post_item_foot']");

var authornode = footnode.ChildNodes[1];

var commentnode = item.SelectSingleNode("//span[@class='article_comment']");

var viewnode = item.SelectSingleNode("//span[@class='article_view']");

article.Diggit = int.Parse(diggnumnode.InnerText);

article.Title = titlenode.InnerText;

article.Url = titlenode.Attributes["href"].Value;

article.Summary = titlenode.InnerHtml;

article.Author = authornode.InnerText;

article.AuthorUrl = authornode.Attributes["href"].Value;

article.Comment = int.Parse(Regex.Replace(commentnode.ChildNodes[0].InnerText, digitRegex, ""));

article.View = int.Parse(Regex.Replace(viewnode.ChildNodes[0].InnerText, digitRegex, ""));

articles.Add(article);

}

return articles;

}

查看采集结果

看到结果就惊呆了，竟然全是重复的。难道是Xpath语法理解不对么？ 

重温下XPath语法

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的

表达式 描述

nodename	选取此节点的所有子节点。

/ 从根节点选取。

// 从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。

. 选取当前节点。

.. 选取当前节点的父节点。

@ 选取属性。

XPath 通配符可用来选取未知的 XML 元素

通配符 描述

* 匹配任何元素节点。

@* 匹配任何属性节点。

node() 匹配任何类型的节点。

我测试了几个语法如：

//例1，会返回20个

var titlenodes = post_item_bodynode.SelectNodes("//a[@class='titlelnk']");


//会报错，因为这个a并不直接在bodynode下面，而是在子级h3元素的子级。

var titlenodes = post_item_bodynode.SelectNodes("a[@class='titlelnk']");

然后又实验了一种：

//Bingo,这个可以，但是强烈指定了下级h3,这就稍微麻烦了点。

var titlenodes = post_item_bodynode.SelectNodes("h3//a[@class='titlelnk']");

这里就引申出了一个小问题：如何定位子级的子级？用通配符*可以么？

//返回1个。

var titlenodes= post_item_bodynode.SelectNodes("*//a[@class='titlelnk']")

能正确返回1，应该是可以了，我们改下代码看下效果。 然后和博客园首页数据对比，结果吻合。

所以我们可以得出结论：

XPath搜索以//开头时，会匹配所有的项，并不是子项。

直属子级可以直接跟上 node名称。

只想查子级的子级，可以用*代替子级，实现模糊搜索。

改过后代码如下：

public List<Article> ParseCnBlogs()

{

var url = "https://www.cnblogs.com";

HtmlWeb web = new HtmlWeb();

//1.支持从web或本地path加载html

var htmlDoc = web.Load(url);

var post_listnode = htmlDoc.DocumentNode.SelectSingleNode("//div[@id='post_list']");

//Console.WriteLine("Node Name: " + post_listnode.Name + "\n" + post_listnode.OuterHtml);

var postitemsNodes = post_listnode.SelectNodes("div[@class='post_item']");

var articles = new List<Article>();

var digitRegex = @"[^0-9]+";

foreach (var item in postitemsNodes)

{

var article = new Article();

var diggnumnode = item.SelectSingleNode("*//span[@class='diggnum']");

//body

var post_item_bodynode = item.SelectSingleNode("div[@class='post_item_body']");

var titlenode = post_item_bodynode.SelectSingleNode("*//a[@class='titlelnk']");

var summarynode = post_item_bodynode.SelectSingleNode("p[@class='post_item_summary']");

//foot

var footnode = post_item_bodynode.SelectSingleNode("div[@class='post_item_foot']");

var authornode = footnode.ChildNodes[1];

var commentnode = footnode.SelectSingleNode("span[@class='article_comment']");

var viewnode = footnode.SelectSingleNode("span[@class='article_view']");

article.Diggit = int.Parse(diggnumnode.InnerText);

article.Title = titlenode.InnerText;

article.Url = titlenode.Attributes["href"].Value;

article.Summary = titlenode.InnerHtml;

article.Author = authornode.InnerText;

article.AuthorUrl = authornode.Attributes["href"].Value;

article.Comment = int.Parse(Regex.Replace(commentnode.ChildNodes[0].InnerText, digitRegex, ""));

article.View = int.Parse(Regex.Replace(viewnode.ChildNodes[0].InnerText, digitRegex, ""));

articles.Add(article);

}

return articles;

}

感谢apgk也提供了一种办法，也是ok的。

var titlenodes = post_item_bodynode.SelectNodes(post_item_bodynode.XPath+"//a[@class='titlelnk']");

源码

点击 推荐
查看源码。

总结

demo到此结束。谢谢观看！

下篇继续构思如何构建自定义规则，让用户可以在页面自己填写规则去识别。

.NetCore实践爬虫系统（一）解析网页内容的更多相关文章

  1. .NetCore实践爬虫系统（二）自定义规则

    回顾 上篇文章NetCore实践爬虫系统(一)解析网页内容 我们讲了利用HtmlAgilityPack,输入XPath路径,识别网页节点,获取我们需要的内容.评论中也得到了大家的一些支持与建议.下面继 ...

  2. NodeJS爬虫系统初探

    NodeJS爬虫系统 NodeJS爬虫系统 0. 概论 爬虫是一种自动获取网页内容的程序.是搜索引擎的重要组成部分,因此搜索引擎优化很大程度上是针对爬虫而做出的优化. robots.txt是一个文本文 ...

  3. 爬虫系统-日志、初始化url

    1.日志log4j 1.1.DEBUG:debug级别 1.2.stdout:输出到控制台 1.3.D:输出到文件 log4j.rootLogger=DEBUG, stdout,D #Console ...

  4. 基于golang分布式爬虫系统的架构体系v1.0

    基于golang分布式爬虫系统的架构体系v1.0 一.什么是分布式系统 分布式系统是一个硬件或软件组件分布在不同的网络计算机上,彼此之间仅仅通过消息传递进行通信和协调的系统.简单来说就是一群独立计算机 ...

  5. 用python3.x与mysql数据库构建简单的爬虫系统（转）

    这是在博客园的第一篇文章,由于本人还是一个编程菜鸟,也写不出那些高大上的牛逼文章,这篇文章就是对自己这段时间学习python的一个总结吧. 众所周知python是一门对初学编程的人相当友好的编程语言, ...

  6. 干货|爱奇艺CDN巡检系统技术解析

    小结: 1. 中心处理系统 /1/将定制后的巡检任务拆分,通过配置与任务分发系统.CMDB*( configuration management database)将派发到边缘拨测系统/2/处理边缘拨 ...

  7. PySpider 爬虫系统

    PySpider:一个国人编写的强大的网络爬虫系统并带有强大的WebUI.采用Python语言编写,分布式架构,支持多种数据库后端,强大的WebUI支持脚本编辑器,任务监视器,项目管理器以及结果查看器 ...

  8. python爬虫之网页解析

    CSS Selector 与Xpath path = ‘D:\\Postgraduate\\Python\\python_projects\\Python视频 分布式 爬虫Scrapy入门到精通\\第 ...

  9. 从程序员到CTO的Java技术路线图 JAVA职业规划 JAVA职业发展路线图 系统后台框架图、前端工程师技能图 B2C电子商务基础系统架构解析

    http://zz563143188.iteye.com/blog/1877266在技术方面无论我们怎么学习,总感觉需要提升自已不知道自己处于什么水平了.但如果有清晰的指示图供参考还是非常不错的,这样 ...

随机推荐

  1. Android 与Java 进程退出 killProcess与System.exit

    android所有activity都在主进程中,在清单文件Androidmanifest.xml中可以设置启动不同进程,Service需要指定运行在单独进程?主进程中的主线程?还是主进程中的其他线程? ...

  2. (后端)sql手工注入语句&SQL手工注入大全(转)

    转自脚本之家: 看看下面的1.判断是否有注入;and 1=1;and 1=2 2.初步判断是否是mssql;and user>0 3.判断数据库系统;and (select count(*) f ...

  3. Web前端：博客美化：二、鼠标特效

    1.获取JS权限 因为是js代码所以需要放在 侧边栏公告 里 没开通之前,有一个申请的链接,点击即可,我是第二天才看到过审的 ^-^ 2.Ctrl+C.Ctrl+V 数组里的文字随自己心情啦 另:30 ...

  4. RAS非对称加密与数字证书数字签名

    它用图片通俗易懂地解释了,"数字签名"(digital signature)和"数字证书"(digital certificate)到底是什么. 我对这些问题的 ...

  5. django 下载文件

    方法一. from django.http import StreamingHttpResponse def big_file_download(request): # do something... ...

  6. sql server连接oracle并实现增删改查

    需要一个软件ODAC112040Xcopy_64bit 我连接的oracle是11g r2  sqlserver 是 2016 软件下载 https://pan.baidu.com/s/1OpYmpR ...

  7. UICollectionView 基础

    在iOS开发中经常会用到UICollectionView,和UITableView同样即成UIScrollView 但是操作起来比UITableVIew要麻烦一些 ,有些地方需要注意,一下是UICol ...

  8. 关于激活Windows10专业版2018长期服务版

    之前重装了一次系统,偷懒用了小白一键重装,装好之后显示的是Windows10专业版2018长期服务版,当时也没想太多就放着用了. 然后 ,这几天一直提示  “你的windows许可证即将过期” ,就按 ...

  9. mysql中的升序和降序以及一个字段升序和一个字段降序

    mySql中,升序为asc,降序为desc.例如: 升序:select   *  from  表名 order by  表中的字段 asc(mysql中默认是升序排列,可不写) 降序:select   ...

  10. Java入门（七）：方法

    方法,在日常生活中可以理解成解决问题或处理事情的技巧,一个方法的形成,需要思考和分析,从而形成一步一步的步骤,最后在实际执行过程中验证自己的思路.在Java中,方法的形成亦是如此. 方法,指用于封装一 ...