誰說爬蟲只能Python？看我用C#快速簡單實現爬蟲開發和演示！

WeskyNet發表於2024-05-27
爬蟲PythonC#

前言：說到爬蟲，基本上清一色的都知道用Python，但是對於一些沒玩過或者不想玩Python的來說，卻比較頭大一點。所以以下我站在C# 的角度，來寫一個簡單的Demo，用來演示C# 實現的簡單小爬蟲。大家感興趣可以自己擴充出更加豐富的爬蟲功能。

前提：引用包HtmlAgilityPack

先來個爬取文字。

新建一個文字處理的方法，用於處理爬取的文字資料，並寫入到指定資料夾內的text.txt檔案內

0
static async Task ProcessText(HtmlDocument doc, string textDir)
{
    var textNodes = doc.DocumentNode.SelectNodes("//*[text()]");
    if (textNodes != null)
    {
        StringBuilder allText = new StringBuilder();
        foreach (HtmlNode node in textNodes.Where(node => !string.IsNullOrWhiteSpace(node.InnerText)))
        {
            string textContent = WebUtility.HtmlDecode(node.InnerText.Trim());
            if (!string.IsNullOrWhiteSpace(textContent))
            {
                allText.AppendLine(textContent);
            }
        }

        string filePath = Path.Combine(textDir, "text.txt");
        await File.WriteAllTextAsync(filePath, allText.ToString());
    }
}

新增一個網頁處理方法，用於傳入網址進行抓取網頁資料，並傳給以上的文字處理方法進行解析文字資料，儲存到當前根目錄下的Texts資料夾內
0
以我兩天前寫的部落格內容為例，進行抓取。部落格地址為：https://www.cnblogs.com/weskynet/p/18213135
0
Main裡面呼叫有關方法，進行爬取。
0
說明：新增 User-Agent 頭部資訊可以幫助模擬常規的瀏覽器請求，避免被目標伺服器拒絕。
看下我當前的根目錄：
0
執行完畢，多出Texts資料夾
0
資料夾內多出程式裡面寫定的text.txt檔案
0
開啟文字檔案，可以看到文章全部內容，以及所有文字都被抓取下來了。
0
同文字處理，新增一個圖片處理方法：
0
static async Task ProcessImages(HtmlDocument doc, string baseUrl, string imagesDir)
{
    var imageNodes = doc.DocumentNode.SelectNodes("//img[@src]");
    if (imageNodes != null)
    {
        foreach (HtmlNode imageNode in imageNodes)
        {
            string imageUrl = imageNode.GetAttributeValue("src", null);
            imageUrl = EnsureAbsoluteUrl(baseUrl, imageUrl);
            string fileName = Path.GetFileName(new Uri(imageUrl).LocalPath);
            string localPath = Path.Combine(imagesDir, fileName);

            byte[] imageBytes = await client.GetByteArrayAsync(imageUrl);
            await File.WriteAllBytesAsync(localPath, imageBytes);
        }
    }
}

網頁爬取方法裡面把文字有關改成圖片
0
以下是一個輔助方法，輔助方法用於處理相對URL，確保所有請求的URL是絕對的，防止資源載入失敗。
static string EnsureAbsoluteUrl(string baseUrl, string url) { return Uri.IsWellFormedUriString(url, UriKind.Absolute) ? url : new Uri(new Uri(baseUrl), url).AbsoluteUri; }
執行程式，執行完畢，根目錄下新增Images資料夾
0
資料夾內會看到該網址的所有圖片檔案。
0
圖片檔案格式都會被抓取，可以根據自己需要進行過濾。如果是整個站點，可以根據迴圈進行獲取每個頁面的資料。
最後再提供一個影片爬取的程式碼，由於沒找到可以爬取的站點，此處演示就不演示了，僅供程式碼出來給大家學習和技術分享使用。感興趣的大佬可以自行嘗試。
0
static async Task ProcessVideos(HtmlDocument doc, string baseUrl, string videosDir)
{
    var videoNodes = doc.DocumentNode.SelectNodes("//video/source[@src]");
    if (videoNodes != null)
    {
        foreach (HtmlNode videoNode in videoNodes)
        {
            string videoUrl = videoNode.GetAttributeValue("src", null);
            videoUrl = EnsureAbsoluteUrl(baseUrl, videoUrl);
            string videoName = Path.GetFileName(new Uri(videoUrl).LocalPath);
            string videoPath = Path.Combine(videosDir, videoName);

            byte[] videoBytes = await client.GetByteArrayAsync(videoUrl);
            await File.WriteAllBytesAsync(videoPath, videoBytes);
        }
    }
}

如果大佬們想要直接獲取我本地測試的原始碼demo，可以在我的公眾號【Dotnet Dancer】後臺回覆：【爬蟲】 即可獲取我的本地demo原始碼自行除錯和把玩。

最近園子時不時會圖片全掛掉，如果圖片沒掉了，可以移步另一個地方圍觀：

https://mp.weixin.qq.com/s/NB2UWsfUdgNU82UVRbWe3Q

如果以上內容對你有幫助，歡迎關注我的公眾號【Dotnet Dancer】，或點贊、推薦和分享。我會時不時更新一些其他C#或者其他技術文章。

相關文章