1.HtmlAgilityPack爬取優酷電影名

粥粥的狐狸發表於2018-04-23

爬蟲的製作主要分為三個方面
1、載入網頁結構
2、解析網頁結構,轉變為符合需求的資料實體
3、儲存資料實體(資料庫,文字等)

在實際的編碼過程中,找到了一個好的類庫“HtmlAgilityPack”。
介紹:
官網:http://html-agility-pack.net/?z=codeplex
Html Agility Pack原始碼中的類大概有28個左右,其實不算一個很複雜的類庫,但它的功能確不弱,為解析DOM已經提供了足夠強大的功能支援,可以跟jQuery操作DOM媲美)
使用說明:
Html Agility Pack(XPath 定位),在實際使用過程中,發現有部分內容如果通過Css進行定位會比XPath更加方便,所以通過查詢找到了另外一個CSS的解析了類庫 ScrapySharp(Css 定位)

整理:
Nuget包需要引用的庫
1、Html Agility Pack(XPath 定位)
2、ScrapySharp(Css 定位)

程式碼下載地址:

https://github.com/happlyfox/FoxCrawler

第一點——載入網頁結構

Html Agility Pack封裝了載入內容的方法,使doc.Load(arguments),具有多種過載方式,以下列舉官網的三個例項

       /// <summary>
       /// 載入網頁結構
       /// </summary>
       private static void LoadDocment()
       {
           // 從檔案中載入
           var docFile = new HtmlDocument();
           docFile.Load("file path");

           // 從字串中載入
           var docHtml = new HtmlDocument();
           docHtml.LoadHtml("html");

           // 從網站中載入
           var url = "http://html-agility-pack.net/";
           var web = new HtmlWeb();
           var docWeb = web.Load(url);
       }

第二點——解析網頁結構,轉變為符合需求的資料實體

   /// <summary>
    /// 解析網頁結構
    /// </summary>
    private static YouKu ParsingWebStructure()
    {
        /*選用優酷片庫列表
         地址:http://list.youku.com/category/show/c_96_s_1_d_1_p_{index}.html 
        */

        //首先載入web內容
        var url = "http://list.youku.com/category/show/c_96_s_1_d_1_p_1.html";
        var web = new HtmlWeb();
        var doc = web.Load(url);

        //輸出WebHtml內容
        //Console.WriteLine(doc.DocumentNode.InnerHtml);

        /* HtmlAgilityPack 解析方式官網提供的有倆種示例*/
        //1、 With XPath 
        var value = doc.DocumentNode.SelectSingleNode("//*[@id=`total_videonum`]").Attributes["id"].Value;
        var resultCount = doc.DocumentNode.SelectSingleNode("//*[@id=`total_videonum`]").InnerText;

        Console.WriteLine($"id=`{value}` 篩選結果:{resultCount}個");
        // 2、With LINQ  
        var linqNodes = doc.DocumentNode.SelectSingleNode("//*[@id=`filterPanel`]/div[2]/ul").Descendants("li").ToList();

        Console.WriteLine("電影產地:");
        List<string> videoCountry = new List<string>();
        foreach (var node in linqNodes)
        {
            videoCountry.Add(node.InnerText);
            Console.Write($"{node.InnerText} 	");
        }

        //3、使用ScrapySharp進行Css定位
        var cssNodes = doc.DocumentNode.CssSelect("#filterPanel > div > label");
        Console.WriteLine();

        List<string> videoType = new List<string>();
        foreach (var node in cssNodes)
        {
            videoType.Add(node.InnerText);
            Console.Write($"{node.InnerText} 	");
        }

        //構造實體
        YouKu model = new YouKu()
        {
            id = value,
            videoNum = int.Parse(resultCount),
            videoCountry = videoCountry,
            videoType = videoType
        };

        return model;
    }


public class YouKu
{
    public string id { get; set; }

    public int videoNum { get; set; }

    public List<string> videoCountry { get; set; }
    public List<string> videoType { get; set; }
}

第三點——儲存資料實體,轉變為符合需求的資料實體

    /// <summary>
    /// 儲存資料實體
    /// </summary>
    private static void SavaData()
    {
        var model = ParsingWebStructure();
        var path = "youku.txt";

        if (!File.Exists(path))
        {
            File.Create(path);
        }

        File.WriteAllText(path, getJsonByObject(model));
    }

    private static string getJsonByObject(Object obj)
    {
        //例項化DataContractJsonSerializer物件,需要待序列化的物件型別
        DataContractJsonSerializer serializer = new DataContractJsonSerializer(obj.GetType());
        //例項化一個記憶體流,用於存放序列化後的資料
        MemoryStream stream = new MemoryStream();
        //使用WriteObject序列化物件
        serializer.WriteObject(stream, obj);
        //寫入記憶體流中
        byte[] dataBytes = new byte[stream.Length];
        stream.Position = 0;
        stream.Read(dataBytes, 0, (int)stream.Length);
        //通過UTF8格式轉換為字串
        return Encoding.UTF8.GetString(dataBytes);
    }

四 Main

  static void Main(string[] args)
    {
        ///爬蟲的製作主要分為三個方面
        ///1、載入網頁結構
        ///2、解析網頁結構,轉變為符合需求的資料實體
        ///3、儲存資料實體(資料庫,文字等)


        /*
         * 在實際的編碼過程中,找到了一個好的類庫“HtmlAgilityPack”。
         * 介紹:
         * 官網:http://html-agility-pack.net/?z=codeplex
         * Html Agility Pack原始碼中的類大概有28個左右,其實不算一個很複雜的類庫,但它的功能確不弱,為解析DOM已經提供了足夠強大的功能支援,可以跟jQuery操作DOM媲美)
         * 使用說明:
         * Html Agility Pack(XPath 定位),在實際使用過程中,發現有部分內容如果通過Css進行定位會比XPath更加方便,所以通過查詢找到了另外一個CSS的解析了類庫 ScrapySharp(Css 定位)
         * 整理:
         * Nuget包需要引用的庫
         * 1、Html Agility Pack(XPath 定位)
         * 2、ScrapySharp(Css 定位)
         */


        //第一點——載入網頁結構,Html Agility Pack封裝了載入內容的方法,使用doc.Load(arguments),具有多種過載方式,以下列舉官網的三個例項
        //LoadDocment();

        //第二點——解析網頁結構,轉變為符合需求的資料實體
        //ParsingWebStructure();

        //第三點——儲存資料實體,轉變為符合需求的資料實體
        SavaData();
        Console.Read();
    }


相關文章