前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >C#和HttpClient结合示例:微博热点数据分析

C#和HttpClient结合示例:微博热点数据分析

原创
作者头像
jackcode
发布2023-10-31 17:00:28
3020
发布2023-10-31 17:00:28
举报
文章被收录于专栏:爬虫资料爬虫资料
亿牛云代理
亿牛云代理

概述

微博是中国最大的社交媒体平台之一,它每天都会发布各种各样的热点话题,反映了网民的关注点和舆论趋势。本文将介绍如何使用C#语言和HttpClient类来实现一个简单的爬虫程序,从微博网站上抓取热点话题的数据,并进行一些基本的分析和可视化。

正文

爬虫程序设计

爬虫程序的主要步骤如下:

  1. 使用HttpClient类创建一个HTTP客户端对象,用于发送请求和接收响应。
  2. 使用爬虫代理服务,提供代理IP地址和端口,以及用户名和密码,用于绕过微博网站的反爬虫机制。
  3. 使用多线程技术,创建多个线程,每个线程负责爬取一个热点话题的数据。
  4. 使用正则表达式或者HTML解析器,从响应内容中提取热点话题的标题、链接、阅读量、讨论量等信息,并保存到一个数据结构中。
  5. 使用System.Drawing类或者其他库,根据统计结果生成一些图表,如柱状图、饼图等,用于展示热点话题的分布和比例。

爬虫程序代码

下面是一个简单的爬虫程序代码示例,仅供参考:

代码语言:c#
复制
using System;
using System.Collections.Generic;
using System.Linq;
using System.Net.Http;
using System.Text.RegularExpressions;
using System.Threading;
using System.Threading.Tasks;

namespace WeiboCrawler
{
    class Program
    {
        // 创建一个HTTP客户端对象,用于发送请求和接收响应
        static HttpClient httpClient = new HttpClient();

        // 创建一个数据结构,用于保存热点话题的信息
        static List<Topic> topics = new List<Topic>();

        // 定义一个锁对象,用于同步多线程操作
        static object locker = new object();

        static void Main(string[] args)
        {
            // 亿牛云爬虫标准版,使用代理服务设置代理域名、端口、用户名和密码
            var proxy = new WebProxy("http://wwww.16yun.cn:8080");
            proxy.Credentials = new NetworkCredential("16YUNXXX", "16IPXXX");
            httpClient.DefaultRequestHeaders.Add("Proxy-Authorization", "Basic " + Convert.ToBase64String(Encoding.UTF8.GetBytes("username:password")));
            httpClient.DefaultRequestHeaders.Add("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36");
            httpClient.Timeout = TimeSpan.FromSeconds(10);

            // 定义一个热点话题的URL列表,每个URL对应一个热点话题的页面
            var urls = new List<string>
            {
                "https://s.weibo.com/top/summary?cate=realtimehot",
                "https://s.weibo.com/top/summary?cate=socialevent",
                "https://s.weibo.com/top/summary?cate=entertainment",
                "https://s.weibo.com/top/summary?cate=sports",
                "https://s.weibo.com/top/summary?cate=tech",
                "https://s.weibo.com/top/summary?cate=finance"
            };

            // 使用多线程技术,创建多个线程,每个线程负责爬取一个热点话题的数据
            var tasks = new List<Task>();
            foreach (var url in urls)
            {
                tasks.Add(Task.Run(() => Crawl(url)));
            }

            // 等待所有线程完成任务
            Task.WaitAll(tasks.ToArray());

            // 使用LINQ或者其他方法,简单的对数据进行排序、分组操作,得到一些有意义的统计结果
            Console.WriteLine("爬取完成,共获取了{0}个热点话题的信息。", topics.Count);
            Console.WriteLine("按阅读量降序排列的前10个热点话题如下:");
            foreach (var topic in topics.OrderByDescending(t => t.ReadCount).Take(10))
            {
                Console.WriteLine("{0} {1} {2} {3}", topic.Title, topic.Link, topic.ReadCount, topic.DiscussCount);
            }
            Console.WriteLine("按讨论量降序排列的前10个热点话题如下:");
            foreach (var topic in topics.OrderByDescending(t => t.DiscussCount).Take(10))
            {
                Console.WriteLine("{0} {1} {2} {3}", topic.Title, topic.Link, topic.ReadCount, topic.DiscussCount);
            }
            Console.WriteLine("按类别分组的热点话题数量如下:");
            foreach (var group in topics.GroupBy(t => t.Category))
            {
                Console.WriteLine("{0} {1}", group.Key, group.Count());
            }
        }

        // 定义一个方法,用于爬取一个热点话题的数据
        static void Crawl(string url)
        {
            try
            {
                // 发送GET请求,获取响应内容
                var response = httpClient.GetAsync(url).Result;
                var content = response.Content.ReadAsStringAsync().Result;

                // 使用正则表达式或者HTML解析器,从响应内容中提取热点话题的标题、链接、阅读量、讨论量等信息,并保存到一个数据结构中
                var regex = new Regex(@"<td class=""td-02""><a href=""(?<link>.+?)"" target=""_blank"" title=""(?<title>.+?)"">.+?</a><span>(?<readcount>\d+)</span></td>\s*<td class=""td-03""><i class=""icon-txt"">.+?</i><span>(?<discusscount>\d+)</span></td>");
                var matches = regex.Matches(content);
                foreach (Match match in matches)
                {
                    var topic = new Topic
                    {
                        Title = match.Groups["title"].Value,
                        Link = "https://s.weibo.com" + match.Groups["link"].Value,
                        ReadCount = int.Parse(match.Groups["readcount"].Value),
                        DiscussCount = int.Parse(match.Groups["discusscount"].Value),
                        Category = url.Split('=')[1]
                    };
                    // 使用锁对象,避免多线程操作数据结构时发生冲突
                    lock (locker)
                    {
                        topics.Add(topic);
                    }
                }
            }
            catch (Exception ex)
            {
                // 处理异常情况,如网络超时、响应格式错误等
                Console.WriteLine("爬取{0}时发生错误:{1}", url, ex.Message);
            }
        }
    }

    // 定义一个类,用于表示一个热点话题的信息
    class Topic
    {
        public string Title { get; set; } // 标题
        public string Link { get; set; } // 链接
        public int ReadCount { get; set; } // 阅读量
        public int DiscussCount { get; set; } // 讨论量
        public string Category { get; set; } // 类别
    }
}

结论

上面的代码首先创建了一个HTTP客户端对象,配置爬虫代理和请求头信息提高采集成功率,然后定义了一个数据结构来保存热点话题的信息。通过多线程技术,同时访问多个热点话题的网页,使用正则表达式从网页内容中提取热点话题的标题、链接、阅读量、讨论量等信息,然后将这些信息保存到数据结构中。最后,对爬取到的数据进行排序、分组,并输出一些统计结果,如热点话题数量、按阅读量降序排列的前10个热点话题以及按讨论量降序排列的前10个热点话题等。此代码主要用于网络爬虫和数据分析,帮助用户获取微博热点话题的相关信息。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 概述
  • 正文
    • 爬虫程序设计
      • 爬虫程序代码
      • 结论
      领券
      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档