谁说爬虫只能Python？看我用C#快速简单实现爬虫开发和演示！

Wesky

发布于 2024-08-13 19:16:21

1350

发布于 2024-08-13 19:16:21

文章被收录于专栏：Dotnet Dancer

前言：说到爬虫，基本上清一色的都知道用Python，但是对于一些没玩过或者不想玩Python的来说，却比较头大一点。所以以下我站在C# 的角度，来写一个简单的Demo，用来演示C# 实现的简单小爬虫。大家感兴趣可以自己拓展出更加丰富的爬虫功能。

前提：引用包HtmlAgilityPack

先来个爬取文本。

新建一个文本处理的方法，用于处理爬取的文本数据，并写入到指定文件夹内的text.txt文件内

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());
    }
}

新增一个网页处理方法，用于传入网址进行抓取网页数据，并传给以上的文本处理方法进行解析文本数据，保存到当前根目录下的Texts文件夹内

以我两天前写的博客内容为例，进行抓取。博客地址为：https://www.cnblogs.com/weskynet/p/18213135

Main里面调用有关方法，进行爬取。

说明：添加 User-Agent 头部信息可以帮助模拟常规的浏览器请求，避免被目标服务器拒绝。

看下我当前的根目录：

运行完毕，多出Texts文件夹

文件夹内多出程序里面写定的text.txt文件

打开文本文件，可以看到文章全部内容，以及所有文本都被抓取下来了。

同文本处理，咱再新增一个图片处理方法：

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);
        }
    }
}

网页爬取方法里面把文本有关改成图片

以下是一个辅助方法，辅助方法用于处理相对URL，确保所有请求的URL是绝对的，防止资源加载失败。

static string EnsureAbsoluteUrl(string baseUrl, string url)
  {
      return Uri.IsWellFormedUriString(url, UriKind.Absolute) ? url : new Uri(new Uri(baseUrl), url).AbsoluteUri;
  }

执行程序，执行完毕，根目录下新增Images文件夹

文件夹内会看到该网址的所有图片文件。

图片文件格式都会被抓取，可以根据自己需要进行过滤。如果是整个站点，可以根据循环进行获取每个页面的数据。

最后再提供一个视频爬取的代码，由于没找到可以爬取的站点，此处演示就不演示了，仅供代码出来给大家学习和技术分享使用。感兴趣的大佬可以自行尝试。

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);
        }
    }
}

如果以上代码还不能满足你的好奇心，想要我本地测试的源码demo，可以在我的公众号【Dotnet Dancer】后台回复：【爬虫】即可获取我的本地demo源码自行调试和把玩。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2024-05-27，如有侵权请联系 cloudcommunity@tencent.com 删除

python