最近lz在写抓工商公式系统(http://www.gsxt.gov.cn/index.html)的爬虫,其中的难点就是在怎么过极验验证码,搞的我不要不要的!如下:

简直是各种坑,被搞的死去活来以后还是解决了。现在回到主题!

  我们不是要抓工商公式系统的数据吗?所以我们先建两个实体BaseInfo(基本信息)和LegInfo(股东信息)

    public partial class BaseInfo
    {
        public BaseInfo()
        { }
        public BaseInfo(string html)
        { }
        #region Model
        /// <summary>
        ///
        /// </summary>
        public int Id
        {
            get;
            set;
        }
        /// <summary>
        /// 成立日期
        /// </summary>
        public string ApprDate
        {
            get;
            set;
        }
        /// <summary>
        /// 公司全称
        /// </summary>
        public string EntName
        {
            get;
            set;
        }

        /// <summary>
        /// 公司类型
        /// </summary>
        public string EntType
        {
            get;
            set;
        }
        /// <summary>
        /// 住所
        /// </summary>
        public string Dom
        {
            get;
            set;
        }
        /// <summary>
        /// 核准日期
        /// </summary>
        public string EstDate
        {
            get;
            set;
        }
        /// <summary>
        /// 法人
        /// </summary>
        public string Lerep
        {
            get;
            set;
        }
        /// <summary>
        /// 营业期限自
        /// </summary>
        public string OpFrom
        {
            get;
            set;
        }
        /// <summary>
        /// 营业期限至
        /// </summary>
        public string OpTo
        {
            get;
            set;
        }
        /// <summary>
        /// 经营范围
        /// </summary>
        public string OpScope
        {
            get;
            set;
        }
        /// <summary>
        /// 注册号
        /// </summary>
        public string RegNo
        {
            get;
            set;
        }
        /// <summary>
        /// 登记机关
        /// </summary>
        public string RegOrg
        {
            get;
            set;
        }
        /// <summary>
        /// 登记状态
        /// </summary>
        public string RegState
        {
            get;
            set;
        }
        /// <summary>
        /// 注册资本
        /// </summary>
        public string RegCap
        {
            set;
            get;
        }
        /// <summary>
        /// 行业领域
        /// </summary>
        public string IndcodeNameLv2 { get; set; }
        /// <summary>
        /// 省
        /// </summary>
        public string Province { get; set; }
        /// <summary>
        /// 市
        /// </summary>
        public string City { get; set; }
        /// <summary>
        /// 网址
        /// </summary>
        public string Weburl { get; set; }
        /// <summary>
        /// 评级
        /// </summary>
        public string Rating { get; set; }

        /// <summary>
        ///
        /// </summary>
        public int CompanyInfoId
        {
            get;
            set;
        }
        #endregion Model
        #region 导航属性

        public virtual CompanyInfo CompanyInfo { get; set; }
        #endregion
    }

   public partial class LegInfo : SpiderModel
    {
        public LegInfo()
        { }
        #region Model
        /// <summary>
        ///
        /// </summary>
        public int Id
        {
            get;
            set;
        }
        /// <summary>
        ///
        /// </summary>
        public string BlicNo
        {
            get;
            set;
        }
        /// <summary>
        ///
        /// </summary>
        public string BlicType
        {
            get;
            set;
        }
        /// <summary>
        ///
        /// </summary>
        public string ItemId
        {
            get;
            set;
        }
        /// <summary>
        ///
        /// </summary>
        public string Inv
        {
            get;
            set;
        }
        /// <summary>
        ///
        /// </summary>
        public string InvType
        {
            get;
            set;
        }
        /// <summary>
        ///
        /// </summary>
        public int CompanyInfoId
        {
            get;
            set;
        }
        public string CreateTimeStr { get; set; }
        public string MoneyRange { get; set; }
        public string Renjiao { get; set; }
        #endregion Model
        #region 导航属性
        /// <summary>
        ///     导航属性,公司。
        /// </summary>
        public virtual CompanyInfo CompanyInfo { get; set; }
        #endregion
 }

先破解验证码,获取需要查询的公司的URL,然后抓取公司详情也的HTML(过程略);关键代码有两个方法GetBaseInfo和GetLegInfoes

如下:

/// <summary>
        /// 获取工商基本数据
        /// </summary>
        /// <param name="url"></param>
        /// <param name="companyInfo"></param>
        public static BaseInfo GetGsxtInfo(string url, out string html)
        {
            HttpItem item = new HttpItem()
            {
                URL = url,//URL     必需项
                Method = "get",
                Referer = "http://www.gsxt.gov.cn/corp-query-homepage.html",
                Timeout =
            };
            html = GetHtml(item);

            string companyName = GetXpathNode(html, "//h1[@class=\"fullName\"]");
            string companyNo = GetXpathNode(html, "//*[@class=\"nameBoxColor\"]");

            if (companyNo != "")
            {
                //CompanyInfo companyInfo = new CompanyInfo();

                //companyInfo.CompanyName = companyName;
                //companyInfo.CompanyNo = companyNo;
                //companyInfo.State = 1;
                //companyInfo.AddTime = DateTime.Now;
                //companyInfo.NextTime = DateTime.Now;
                //companyInfo.BaseInfos = new List<BaseInfo>();
                var baseInfo = new BaseInfo();
                baseInfo.EntName = companyName;
                baseInfo.RegNo = companyNo;
                baseInfo.ApprDate = GetXpathNode(html, "//*[@class=\"companyDetail clearfix\"]/span[4]/span[1]");
                baseInfo.RegState = GetXpathNode(html, "//*[@class=\"companyStatus\"]");
                baseInfo.EntType = GetXpathNode(html, "//div[@class=\"overview\"]/dl[3]/dd[1]");
                baseInfo.Lerep = GetXpathNode(html, "//div[@class=\"overview\"]/dl[4]/dd[1]");
                baseInfo.RegCap = GetXpathNode(html, "//div[@class=\"overview\"]/dl[5]/dd[1]");
                baseInfo.OpFrom = GetXpathNode(html, "//div[@class=\"overview\"]/dl[7]/dd[1]");
                baseInfo.OpTo = GetXpathNode(html, "//div[@class=\"overview\"]/dl[8]/dd[1]");
                baseInfo.RegOrg = GetXpathNode(html, "//*[@class=\"companyDetail clearfix\"]/span[3]/span[1]");
                baseInfo.EstDate = GetXpathNode(html, "//div[@class=\"overview\"]/dl[10]/dd[1]");
                baseInfo.Dom = GetXpathNode(html, "//div[@class=\"overview\"]/dl[12]/dd[1]");
                baseInfo.OpScope = GetXpathNode(html, "//div[@class=\"overview\"]/dl[13]/dd");
                return baseInfo;

            }
            else
            {
                return null;
            }
        }

/// <summary>
        /// 股东信息
        /// </summary>
        /// <param name="html"></param>
        /// <param name="companyInfo"></param>
        /// <param name="draw"></param>
        /// <param name="start"></param>
        , )
        {
            string url = string.Format("http://www.gsxt.gov.cn{0}", GetFirstInnerText(html, "var shareholderUrl = \"", "\""));
            //HttpHelper http = new HttpHelper();
            HttpItem item = new HttpItem()
            {
                URL = url,//URL 必需项
                Method = "post",
                Referer = "http://www.gsxt.gov.cn/corp-query-search-1.html",
                Postdata = string.Format("draw={0}&start={1}&length=5", draw, start),
                ContentType = "application/x-www-form-urlencoded",
                Timeout =
            };

            string rhtml = GetHtml(item); if (rhtml.Equals("")) { return; }

            var legInfoesListPage = JObject.Parse(rhtml);

            var legInfoesListList = legInfoesListPage["data"].ToList();
            //删除数据库中的数据
            //if (draw == 1)
            //{
            //    if (legInfoesListList.Count > 0)
            //    {
            //        foreach (var leginfo in companyInfo.LegInfos.ToList())
            //        {
            //            companyInfo.LegInfos.Remove(leginfo);
            //        }
            //    }
            //}
            //add
            foreach (var legInfoes in legInfoesListList)
            {
                reflegInfos.Add(new LegInfo { BlicNo = GetText(legInfoes["bLicNo"].ToString().Replace("\"", "")), BlicType = legInfoes["blicType_CN"].ToString().Replace("\"", ""), ItemId = legInfoes["invId"].ToString().Replace("\"", ""), Inv = legInfoes["inv"].ToString().Replace("\"", ""), InvType = GetText(legInfoes["invType_CN"].ToString().Replace("\"", "")) });
            }
            ///下页
            if (int.Parse(legInfoesListPage["totalPage"].ToString()) > draw) //获取下一页的数据
            {
                draw++;
                start += ;
                Console.WriteLine(string.Format("查询股东信息第{0}页", draw));
                GetLegInfoes(html, ref reflegInfos, draw, start);
            }

        }

到这里为了完成任务写的代码,如果需要对代码让它更加优美,就需要用IOC的模式是重构它

先创建父类:

 public class SpiderModel
    {
       public SpiderModel()
       {
       }

       public SpiderModel(JToken token)
       {
           ToObje(token);
       }
       public virtual void ToObje(JToken token)
       {
       }
       public virtual SpiderModel ToObje(string html)
       {
           return new SpiderModel();
       }
       /// <summary>
       /// Xpath获取值
       /// </summary>
       /// <param name="html"></param>
       /// <param name="xpath"></param>
       /// <returns></returns>
       public static string GetXpathNode(string html, string xpath)
       {
           string result = string.Empty;
           #region Xpath提取
           try
           {
               HtmlDocument htmlDoc = new HtmlDocument();
               htmlDoc.LoadHtml(html);
               HtmlNode node = htmlDoc.DocumentNode.SelectSingleNode(xpath);
               if (node != null)
               {
                   result = node.InnerHtml;
                   result = new Regex("\\t", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(result, string.Empty);
                   result = TextRemover.RemoveHTML(result);//去除HTML标签
                   result = TextRemover.RemoveWhiteSpace(result).Trim();//去空白字符
               }
           }
           catch (Exception)
           {
           }
           return result;
           #endregion
       }
       public static string GetText(string result)
       {
           result = new Regex(@"<(p|br)[^<]*>", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(result, "[$1]");
           result = new Regex("\\[p]", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(result, "\r\n\r\n");
           result = new Regex("\\[br]", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(result, "\r\n");
           result = new Regex("\\t", RegexOptions.Multiline | RegexOptions.IgnoreCase).Replace(result, " ");
           result = TextRemover.RemoveHTML(result);//去除HTML标签
           result = result.Replace("+", "");
           result = result.Trim();
           result = RegexHelper.RegexFilter(result.ToString().Replace("\"", ""), "([a-zA-Z0-9]+)", false, RegexOptions.None);
           return result;
       }
    }

然后实体BaseInfo(基本信息)和LegInfo(股东信息)继承自SpiderModel

然后给BaseInfo(基本信息)和LegInfo(股东信息)重写函数

BaseInfo:

public override SpiderModel ToObje(string html)
        {
            string companyName = GetXpathNode(html, "//h1[@class=\"fullName\"]");
            string companyNo = GetXpathNode(html, "//*[@class=\"nameBoxColor\"]");

            if (companyNo != "")
            {
                EntName = companyName;
                RegNo = companyNo;
                ApprDate = GetXpathNode(html, "//*[@class=\"companyDetail clearfix\"]/span[4]/span[1]");
                RegState = GetXpathNode(html, "//*[@class=\"companyStatus\"]");
                EntType = GetXpathNode(html, "//div[@class=\"overview\"]/dl[3]/dd[1]");
                Lerep = GetXpathNode(html, "//div[@class=\"overview\"]/dl[4]/dd[1]");
                RegCap = GetXpathNode(html, "//div[@class=\"overview\"]/dl[5]/dd[1]");
                OpFrom = GetXpathNode(html, "//div[@class=\"overview\"]/dl[7]/dd[1]");
                OpTo = GetXpathNode(html, "//div[@class=\"overview\"]/dl[8]/dd[1]");
                RegOrg = GetXpathNode(html, "//*[@class=\"companyDetail clearfix\"]/span[3]/span[1]");
                EstDate = GetXpathNode(html, "//div[@class=\"overview\"]/dl[10]/dd[1]");
                Dom = GetXpathNode(html, "//div[@class=\"overview\"]/dl[12]/dd[1]");
                OpScope = GetXpathNode(html, "//div[@class=\"overview\"]/dl[13]/dd");
            }
            return this;

        }

LegInfo:

 public override void ToObje(JToken token)
        {
            BlicNo = SpiderModel.GetText(token["bLicNo"].ToString().Replace("\"", ""));
            BlicType = token["blicType_CN"].ToString().Replace("\"", "");
            ItemId = token["invId"].ToString().Replace("\"", "");
            Inv = token["inv"].ToString().Replace("\"", "");
            InvType = GetText(token["invType_CN"].ToString().Replace("\"", ""));
        }

最后要一个IOC管理类

    public class SpiderManage
    {
        public SpiderManage(HttpItem item)
        {
            this.Item = item;
        }
        public SpiderManage(HttpItem item,SpiderModel spiderModel)
        {
            this.Item = item;
            this.SpiderModel = spiderModel;
        }
        public string Html { get; set; }
        public HttpItem Item { get; set; }
        public List<SpiderModel> SpiderModelList{ get; set; }
        public SpiderModel SpiderModel { get; set; }
        public virtual string GetHtml()
        {
            ;
            )
            {
                i--;
                HttpHelper http = new HttpHelper();
                HttpResult result;
                object oj = new object();
                lock (oj)
                {
                    Thread.Sleep();
                    result = http.GetHtml(Item);
                }
                if (result.StatusCode == System.Net.HttpStatusCode.OK)
                {
                    string rhtml = result.Html;
                    if (!rhtml.Equals("<script>window.location.href='/index/invalidLink'</script>"))
                    {
                        Html = result.Html;
                        return Html;
                    }
                }
            }
            Html = "";
            return Html;
        }
        public SpiderModel GetOjb()
        {
            return SpiderModel.ToObje(Html);
        }
        public void toList()
        {
           // SpiderModelList
            //SpiderModel
        }
    }

最后面我就只要 List<SpiderManage> sManageList用于保存对象就可以了

重新改写前面的GetBaseInfo和GetLegInfoes函数。

 public static List<SpiderManage> sManageList = new List<SpiderManage>();

//////////////////////////////////////////////
 , )
        {
            string url = string.Format("http://www.gsxt.gov.cn{0}", GetFirstInnerText(html, "var shareholderUrl = \"", "\""));
            HttpItem item = new HttpItem()
            {
                URL = url,//URL 必需项
                Method = "post",
                Referer = "http://www.gsxt.gov.cn/corp-query-search-1.html",
                Postdata = string.Format("draw={0}&start={1}&length=5", draw, start),
                ContentType = "application/x-www-form-urlencoded",
                Timeout =
            };
            SpiderManage sManage = new SpiderManage(item);
            sManage.SpiderModel = new LegInfo();
            sManage.GetHtml();

            string rhtml = sManage.Html;
            if (rhtml.Equals(""))
            { return; }

            var legInfoesListPage = JObject.Parse(rhtml);
            sManageList.Add(sManage);
            //var legInfoesListList = legInfoesListPage["data"].ToList();
            //删除数据库中的数据

            //add
            //foreach (var legInfoes in legInfoesListList)
            // {
            //    reflegInfos.Add(new LegInfo { BlicNo = GetText(legInfoes["bLicNo"].ToString().Replace("\"", "")), BlicType = legInfoes["blicType_CN"].ToString().Replace("\"", ""), ItemId = legInfoes["invId"].ToString().Replace("\"", ""), Inv = legInfoes["inv"].ToString().Replace("\"", ""), InvType = GetText(legInfoes["invType_CN"].ToString().Replace("\"", "")) });
            // }
            ///下页
            while (int.Parse(legInfoesListPage["totalPage"].ToString()) > draw) //获取下一页的数据
            {
                draw++;
                start += ;
                sManageList.Add(new SpiderManage(new HttpItem()
                {
                    URL = url,//URL 必需项
                    Method = "post",
                    Referer = "http://www.gsxt.gov.cn/corp-query-search-1.html",
                    Postdata = string.Format("draw={0}&start={1}&length=5", draw, start),
                    ContentType = "application/x-www-form-urlencoded",
                    Timeout =
                }, new LegInfo()));

                //Console.WriteLine(string.Format("查询股东信息第{0}页", draw));
                //GetLegInfoes(html, ref reflegInfos, draw, start);
            }

        }

后面怎么用就不讨论了,只要是把sManageList拿过去调度分配抓取就可以了

Ioc在重构代码中的应用的更多相关文章

  1. 代码重构 & 代码中的坏味道

    1.重构 1.1 为什么要重构 1.1.1 改进程序设计 程序员为了快速完成任务,在没有完全理解整体架构之前就开始写代码, 导致程序逐渐失去自己的结构.重构则帮助重新组织代码,重新清晰的体现 程序结构 ...

  2. 要心中有“数”——C语言初学者代码中的常见错误与瑕疵(8)

    在 C语言初学者代码中的常见错误与瑕疵(7) 中,我给出的重构代码中存在BUG.这个BUG是在飞鸟_Asuka网友指出“是不是时间复杂度比较大”,并说他“第一眼看到我就想把它当成一个数学问题来做”之后 ...

  3. C语言初学者代码中的常见错误与瑕疵(7)

    问题: 矩形的个数 在一个3*2的矩形中,可以找到6个1*1的矩形,4个2*1的矩形3个1*2的矩形,2个2*2的矩形,2个3*1的矩形和1个3*2的矩形,总共18个矩形.给出A,B,计算可以从中找到 ...

  4. Rafy 领域实体框架设计 - 重构 ORM 中的 Sql 生成

    前言 Rafy 领域实体框架作为一个使用领域驱动设计作为指导思想的开发框架,必然要处理领域实体到数据库表之间的映射,即包含了 ORM 的功能.由于在 09 年最初设计时,ORM 部分的设计并不是最重要 ...

  5. Winform打砖块游戏制作step by step第5节---重构代码,利用继承多态

    一 引子 为了让更多的编程初学者,轻松愉快地掌握面向对象的思考方法,对象继承和多态的妙用,故推出此系列随笔,还望大家多多支持. 二 本节内容---重构代码,利用继承多态 1. 主界面截图如下: 2.  ...

  6. 一个超复杂的间接递归——C语言初学者代码中的常见错误与瑕疵(6)

    问题: 问题出处见 C语言初学者代码中的常见错误与瑕疵(5) . 在该文的最后,曾提到完成的代码还有进一步改进的余地.本文完成了这个改进.所以本文讨论的并不是初学者代码中的常见错误与瑕疵,而是对我自己 ...

  7. C语言初学者代码中的常见错误与瑕疵(5)

    问题: 素数 在世博园某信息通信馆中,游客可利用手机等终端参与互动小游戏,与虚拟人物Kr. Kong 进行猜数比赛. 当屏幕出现一个整数X时,若你能比Kr. Kong更快的发出最接近它的素数答案,你将 ...

  8. 分数的加减法——C语言初学者代码中的常见错误与瑕疵(12)

    前文链接:分数的加减法——C语言初学者代码中的常见错误与瑕疵(11) 重构 题目的修正 我抛弃了原题中“其中a, b, c, d是一个0-9的整数”这样的前提条件,因为这种限制毫无必要.只假设a, b ...

  9. C语言初学者代码中的常见错误与瑕疵(9)

    题目 字母的个数 现在给你一个由小写字母组成字符串,要你找出字符串中出现次数最多的字母,如果出现次数最多字母有多个那么输出最小的那个. 输入:第一行输入一个正整数T(0<T<25) 随后T ...

随机推荐

  1. Codeforces Round #257 (Div. 1)A~C(DIV.2-C~E)题解

    今天老师(orz sansirowaltz)让我们做了很久之前的一场Codeforces Round #257 (Div. 1),这里给出A~C的题解,对应DIV2的C~E. A.Jzzhu and ...

  2. “权限系统_基于HUI”的简单介绍和交流

    昂,最近比较闲,写了个权限系统. 后端框架还是老样子,基于本人自己搭建的后台基础开发框架"Spring_Mvc_EF":前端框架,我挑选了一阵子,最后选用了HUI前端开发框架,因为 ...

  3. Professional C# 6 and .NET Core 1.0 - What’s New in C# 6

    本文为转载,学习研究 What's New in C# 6 With C# 6 a new C# compiler is available. It's not only that a source ...

  4. css之描点定位方式

    <!-- 描点定位的两张方式 --> <!-- 1.通过id定位 --> <!-- 2.通过name定位 只能用a--> <div> <a hre ...

  5. echarts 显示下载按钮,echarts 自定义按钮,echarts 添加按钮

    echarts 显示下载按钮,echarts 自定义按钮,echarts 添加按钮 >>>>>>>>>>>>>>&g ...

  6. Android仿微信朋友圈,全文收起功能,附源码

    在众多的社交类软件中,朋友圈是必不可少的,可以与好友.同学等分享自己的日常和有意思的事情,在开发社交类App时,朋友圈发表的内容你不可能让他全部显示,全部显示的话用户体验度会非常不好,这时就要用到全文 ...

  7. redis集群原理

    redis是单线程,但是一般的作为缓存使用的话,redis足够了,因为它的读写速度太快了.   官方的一个简单测试: 测试完成了50个并发执行100000个请求. 设置和获取的值是一个256字节字符串 ...

  8. Jquery AutoComplete实现搜索自动完成

    AutoComplete控件就是指用户在文本框输入前几个字母或是汉字的时候,该控件就能从存放数据的文本或是数据库里将所有以这些字母开头的数据提示给用户,供用户选择,提供方便. 例子: <!doc ...

  9. oracle 游标的使用

    额,一直提起游标就头疼,总感觉是很高大上的东西,望而却步... 今天要做的东西涉及到了实时更新数据,要用到JOB 存储过程  游标 通过在网上查资料,请教同事,也开始继续深入oracle,,,,小菜啊 ...

  10. 如何让 Git 忽略掉文件中的特定行内容?

    近期在git遇到几个问题,让我重新认识到git的强大性,下面列出来记录一下 有一个数据库的配置文件,在用 git add 添加到 index file 时不能透露了相关配置.而如果用 .gitigno ...